多特征融合的蛋白质相互作用位点预测

蛋白质相互作用位点预测为蛋白质功能和药物设计的理解提供重要线索。而蛋白质的各种特征为蛋白质相互作用位点预测提供了大量有用信息,特别是进化信息、残基序列邻近和空间邻近性。不同的蛋白质特征对蛋白质间的相互作用的贡献也不一样。通过提取蛋白质序列谱、保守性和残基熵,提出了特征融合技术对蛋白质相互作用位点进行研究,采用SVM构建三种预测器,分别对各种不同的特征加以验证,实验结果表明了基于特征融合方法的有效性和正确性。     

基于支持向量机的蛋白质相互作用位点预测

蛋白质的功能常体现在生物大分子的相互作用中,识别蛋白质相互作用位点对于研究蛋白质功能发挥着重要作用.蛋白质问主要通过表面残基发生相互作用,蛋白质相互作用形成复合体时,只有部分表面残基参与了该过程.基于序列谱信息,提取序列上相邻残基的序列谱作为输入特征向量,对大小为3和7的残基信息窗(win3,win7),分别采用支持向量机(SVM)分类器对蛋白质相互作用位点进行预测、比较和分析.最终实验结果为:win3的平均正确率为69.31%,win7的平均正确率为69.68%.     

博弈算法在黑白棋中的应用

计算机博弈是一种对策性游戏,是人工智能的主要研究领域之一,它涉及人工智能中的搜索方法、推理技术和决策规划等。目前广泛研究的是确定的、二人、零和、完备信息的博弈搜索。文中通过一个黑白棋程序的设计,将生成的博弈树节点的估值过程和对博弈树搜索过程相结合,采用传统的Alpha-Beta剪枝和极大-极小原则方法给出了博弈程序设计的核心内容:包括博弈树搜索和估值函数两个方面,提出了对原算法的一种改进,该算法提高了搜索速度。实验结果验证了算法的有效性。     

博弈算法在黑白棋中的应用

计算机博弈是一种对策性游戏，是人工智能的主要研究领域之一．它涉及人工智能中的搜索方法、推理技术和决策规划等。目前广泛研究的是确定的、二人、零和、完备信息的博弈搜索。文中通过一个黑白棋程序的设计，将生成的博弈树节点的估值过程和对博弈树搜索过程相结合，采用传统的Alpha—Beta剪枝和极大一极小原则方法给出了博弈程序设计的核心内容：包括博弈树搜索和估值函数两个方面，提出了对原算法的一种改进，该算法提高了搜索速度。实验结果验证了算法的有效性。     

基于Delphi+ASP下的B/S模式开发

探讨了运用Delphi7．0＋ASP相结合的技术来开发B／S模式架构。说明B／s模式的基本概念，给出B／s模式系统的结构，并分别介绍了Delphi与ASP各自和后台数据库SQLServer2000之间的具体连接以及Delphi开发Web技术所使用的组件，同时也分析了这种系统的安全性能，并给出几种保护数据库安全性的方法。最后通过构建一个MIS来进行阐述。该系统采用一种基于角色访问控制策略和权限管理方案来实现不同用户的权限，以方便系统的维护和升级，也提高了系统安全性。     

基于退火进化算法的机器人足球策略研究

针对一般遗传算法存在的一个显著的问题：“早熟收敛”与“快速收敛”之间的矛盾,解决早熟收敛的基本思想就是保持群体中个体的多样性,而模拟退火接受准则（即Metropolis准则）可以解决这方面的问题,可以避免搜索陷入局部极值,确保找到问题的整体最优懈。因此在遗传算法中引入退火操作,定义了一个足球机器人的动作集合,根据赛场上的实际情况为足球机器人分配角色与任务,然后利用退火进化算法为足球机器人选择合适的动作,采用了一种高效的适应性评价方法,实验表明,应用退火进化算法的仿真足球机器人动作准确、效果更好。     

基于支持向量机的蛋白质相互作用位点预测

蛋白质的功能常体现在生物大分子的相互作用中,识别蛋白质相互作用位点对于研究蛋白质功能发挥着重要作用。蛋白质间主要通过表面残基发生相互作用,蛋白质相互作用形成复合体时,只有部分表面残基参与了该过程。基于序列谱信息,提取序列上相邻残基的序列谱作为输入特征向量,对大小为3和7的残基信息窗（win3,win7）,分别采用支持向量机（SVM）分类器对蛋白质相互作用位点进行预测、比较和分析。最终实验结果为：win3的平均正确率为69．31％,win7的平均正确率为69．68％。     

基于退火进化算法的机器人足球策略研究

针对一般遗传算法存在的一个显著的问题:"早熟收敛"与"快速收敛"之间的矛盾,解决早熟收敛的基本思想就是保持群体中个体的多样性,而模拟退火接受准则(即Metropolis准则)可以解决这方面的问题,可以避免搜索陷入局部极值,确保找到问题的整体最优解.因此在遗传算法中引人退火操作,定义了一个足球机器人的动作集合,根据赛场上的实际情况为足球机器人分配角色与任务,然后利用退火进化算法为足球机器人选择合适的动作,采用了一种高效的适应性评价方法,实验表明,应用退火进化算法的仿真足球机器人动作准确、效果更好.     

基于最大熵模型的蛋白质作用位点识别方法

蛋白质相互作用位点的预测是当前生物信息学的一个研究热点。针对蛋白质序列中对界面残基有影响的各种因素,提出将蛋白质的进化信息和保守性作为特征函数,此类信息体现了蛋白质序列中氨基酸之间短程和长程相互作用的影响。采用最大熵模型作为蛋白质作用位点识别的分类器,将多源信息融合成一个概率模型。实验结果表明该方法与其他传统机器学习方法相比,在特异度和精度上分别提高了2%~8%、3%~11%,且获得了较高的相关系数。     

基于进化保守性的蛋白质相互作用位点预测

为了从蛋白质结构数据库中提取经验知识,进行蛋白质作用位点预测,提出了以蛋白质序列谱作为特征向量,采用支持向量机算法进行训练和预测蛋白质相互作用位点的方法。从蛋白质一级序列出发,以序列上邻近残基的序列谱为输入特征向量,采用支持向量机方法构建预测器,来预测蛋白质相互作用位点,预测精度达到70.47%,相关系数CC=0.1919。实验结果表明,利用蛋白质序列谱,结合支持向量机算法进行蛋白质相互作用位点预测的方法是有效的。