基于猫群聚类算法的二叉树SVM蛋白质结构类预测

针对传统的基于二叉树SVM分类模型存在不可区分域和误差积累的缺陷,本文提出了一种基于猫群聚类算法的二叉树SVM分类方法,利用猫群聚类算法在各个节点自适应构造二叉树结构。以蛋白质序列的氨基酸相互作用和疏水模式为分类特征,采用本文算法对蛋白质结构类进行预测,实验结果表明,与其他算法相比较,本文算法具有较高的预测精度。     

基于不平衡数据的蛋白质结晶偏好性改进SVM集成预测

针对不平衡数据集分类问题,本文提出一种基于改进ROF的集成SVM分类方法。实验结果表明,采用本文提出的方法预测蛋白质结晶偏好性,可以有效提高预测精度。     

使用组合分类器预测蛋白质相互作用

蛋白质必须通过与其他蛋白质之间的相互作用才能行使其功能,因此,对于蛋白质相互作用的研究显得尤为重要.针对蛋白质相互作用预测问题,本文提出了一种基于不同特征编码的组合分类器投票的预测方法.该方法综合考虑了蛋白质序列中氨基酸频率、氨基酸位置、氨基酸理化性质和氨基酸生物相似性等特征.在真实的蛋白质相瓦作用human数据集上,使用支持向量机根据不同特征编码建立的预测模型,分别作为组合分类器中的子分类器进行投票.结果表明,该方法能有效提高蛋白质相互作用预测的性能,且预测结果与其他方法相比也具有一定优势.     

优化多核SVM的蛋白质二级结构预测

蛋白质序列的不同特征提取方式对蛋白质结构分类有很大的影响。为更好地表达蛋白质结构信息,基于特征融合思想构建特征向量,并使用一种基于多核支持向量机的方法,以多个核函数的线性加权代替传统的单一核函数,在对多类特征进行整合后构造SimpleMKL分类模型;利用梯度下降法迭代求解核函数的权值系数,并校准核函数参数和不同特征表达的融合效果。实验结果表明,该方法提高了蛋白质二级结构分类精度,在分类精度方面有明显优势,有助于准确预测蛋白质的二级结构。     

基于多视角特征融合与随机森林的蛋白质结晶预测

X射线晶体结构分析是测定蛋白质结构的重要方法之一,国际蛋白质数据库(PDB)中已知晶体结构的蛋白质80%~90%均是使用该方法得到的。然而,并不是所有的蛋白质都能良好结晶,使用晶体结构分析方法对不能结晶的蛋白质进行结构测定将浪费大量的资源。因此,研发准确高效的算法来对蛋白质能否结晶进行预测就具有重要意义。在此提出了一种组合蛋白质物理化学特性、序列信息与进化信息的蛋白质结晶预测方法。该方法从不同视角抽取分别抽取蛋白质的物理化学特征、伪氨基酸组成特征(Pse AAC)和伪位置特异性得分矩阵特征(Pse PSSM),使用随机森林对组合的特征进行蛋白质结晶预测。在标准数据集上的独立测试验证的结果表明,这里所述的蛋白质结晶预测方法具有良好的性能。     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

一种基于支持向量机的分类算法

支持向量机是在统计学理论基础上提出的一种新的机器学习方法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并成功地应用在文本分类、图像识别、生物信息处理等领域。这里简要介绍了支持向量机算法及其应用，并且讨论了其未来的发展方向。     

基于类加权的双ν支持向量机

该文提出了一种类加权的双ν支持向量机,称为WDν-SVM。给出了求解WDν-SVM的KKT条件。理论分析表明,WDν-SVM中的参数v 和v_具有与ν-SVM类似的物理含义,分别对应于加权正类和负类中边界向量比例的上界和支持向量比例的下界,从而有利于分类识别中的参数取值。此外,通过调整类加权可提高WDν-SVM对小样本类的分类性能。实验结果表明WDν-SVM既保持了ν-SVM的优势,即WDν-SVM的参数具有明确的物理含义,又解决了ν-SVM由于样本类不平衡导致的分类错误偏差问题。     

基于类加权的双v支持向量机

该文提出了一种类加权的双v支持向量机,称为WD v-SVM。给出了求解WD v-SVM的KKT条件。理论分析表明,WD v-SVM中的参数v+和v-具有与v-SVM类似的物理含义,分别对应于加权正类和负类中边界向量比例的上界和支持向量比例的下界,从而有利于分类识别中的参数取值。此外,通过调整类加权可提高WD v-SVM对小样本类的分类性能。实验结果表明WD v-SVM既保持了v-SVM的优势,即WD v-SVM的参数具有明确的物理含义,又解决了v-SVM由于样本类不平衡导致的分类错误偏差问题。     

近邻传播聚类算法在蛋白质结构预测中的应用

聚类是蛋白质结构预测中重要的后处理步骤,许多结构预测中都采取了不同的聚类算法.而AP聚类算法通过在数据点之间传递消息,经过若干次迭代后达到一种稳定状态,是构思巧妙的聚类算法.文中把AP聚类算法应用于蛋白质结构预测中,并在7个不同的数据集上进行了实验.结果表明,在采用RMSD进行结构相似性度量的情况下,AP算法有67%的结果优于Rosetta聚类算法或相当,是一种适合蛋白质结构聚类的算法.     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。     

基于蚁群算法优化支持向量机的移动话务量预测

移动通信话务量的准确预测对于提高网络的性能,增进终端用户体验均具有重要的意义。支持向量机作为一种新的机器学习方法其可以有效地应对小样本、非线性等问题。然而支持向量机的训练参数对基于其所构建的预测模型的精度具有决定性的影响,因此本文选取具有全局优化能力的蚁群算法进行参数搜索优化过程,通过对某市移动通信话务量的数据进行试验仿真,结果显示该方法在预测精度及时效性方面具有较好的性能。     

基于改进牛顿算法的蛋白质二级结构预测

主要介绍构造性机器学习方法即改进牛顿算法在蛋白质二级结构预测中的应用.针对标准BP算法存在的缺点,讨论用迭代矩阵替换二级微商来改进牛顿算法,实现蛋白质二级结构预测.实验表明,采用基于概率的Profile编码方式,改进牛顿算法正确率可以高达73.68%,与其他预测方法相比有较好的准确性.     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

基于小波分解和支持向量机的网络流量组合预测

研究网络流量预测问题,网络流量具有突发性、周期性、非线性特点,传统网络流量预测模型无法建立准确预测模型,导致预测误差大,预测精度低.为了提高网络流量的预测精度,提出一种小波分解和支持向量机的网络流量预测模型.首先采用小波变换对网络流量进行分解,把网络流量不同特性成分分离出来,然后采用支持向量机对各分量进行预测,最后采用小波变换对各分量预测结果进行重构,得到网络流量的最终预测结果.仿真实验结果表明,相对其它预测模型,提高了网络流量的预测精度,为网络流量预测优化提供了可靠依据.     

基于混合算法的通信用户规模预测

考虑到常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题,将具有极强的鲁棒性能和全局搜索能力、能够快速跳出局部最优解等优点的人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。通过混合后的算法能够有效地使算法更快、更准确地得到全局最优解,避免了常规算法在人工鱼更新位置时没有全局信息,只有局部信息引起的收敛速度慢,精度低等问题。使用该混合算法预测模型以及使用传统的三次曲线拟合法和GA-SVR算法建立通信用户规模预测模型,针对2010—2012年通信用户规模进行预测,实验证明基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。     

基于SMO-SVM的丝杠表面磨削质量预测

针对滚珠丝杠磨削过程在线监测困难的问题,使用支持向量机建立智能模型。模型本身针对颤振分类和粗糙度预测的不同问题,选用基于串行优化算法的支持向量分类机和支持向量回归机,并使用交叉验证法对模型参数进行优化。基于滚珠丝杠表面波纹度理论和粗糙度理论,对磨削过程中的振动信号进行特征提取,结合加工参数作为模型输入,先进行颤振的判别,在判断未颤振的情况下对表面质量进行预测。实验结果表明,该模型可以对颤振分类及粗糙度预测进行较好的在线监测。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于模糊C均值聚类和随机森林的短时交通状态预测方法

交通拥堵长期以来是城市面临的主要问题之一,解决交通拥堵瓶颈刻不容缓。准确的短时交通状态预测有利于市民预知交通出行信息,及时采取措施避免陷入拥堵困境。该文提出一种基于模糊C均值聚类(FCM)和随机森林的短时交通状态预测方法。首先,利用一种新颖的融合时空信息的自适应多核支持向量机(AMSVM)来预测短时交通流参数,包括流量、速度和占有率。其次,基于FCM算法分析历史交通流,获取历史交通状态信息。最后,利用随机森林算法分析所预测的短时交通流参数,得到最终预测的短时交通状态。该方法在融合时空信息的同时采用随机森林算法应用于短时交通状态预测这一全新的研究领域。实验结果表明,FCM对历史交通状态的评估方式适用于不同的高速路和城市道路场景。其次,随机森林比其它常见的机器学习方法具有更高的预测精度,从而提供实时可靠的短时交通出行信息。