m^＊—m关系模型的研究及空间分布型的向量测定方法

为了描述种群的空间格局,I之、:。“’提出了如下的二一二模型(模型l)m=a+夕,,(1)徐汝梅等‘艺’改进这模型为(模型2)+口‘爪+Y,仇2+(2)于秀林等“’再次改进模型l(模型习为,之a,+口,m+了,二“+占爪3.(3)I期。势一附关系模型的研究及空间分布型的向量测定方法苦其中参数a,,尸,Y‘,占均有生物学解释. 在自然界中,种群经常发生各种各样的扰动.如随机死亡,天敌的捕食等.从而造成 *种群在空间格局和数量动态上的变化.扰动后,种群是否还能保持二一爪关系?模型的参数是否会发生变化?在应用中如何检验模型的假设?能否在不同的层次上度量种群的拥…     

基于分数阶微分技术的土壤水盐信息高光谱反演

准确高效获取土壤水盐信息是盐碱地改良和可持续利用的前提。本研究以地面野外高光谱反射率和实测土壤水盐含量为数据源,利用分数阶微分(FOD)技术对原始光谱反射率进行步长为0.25的处理,从光谱数据与土壤水盐信息相关性层面筛选FOD阶数,构建二维光谱指数,采用支持向量机回归(SVR)和地理加权回归(GWR)建立土壤水盐含量反演模型并进行验证。结果表明：FOD技术可以在一定程度上减弱高光谱噪声并挖掘潜在光谱信息,提高高光谱反射率与土壤含水量(SMC)、pH值和含盐量的相关性,相关系数最高分别提升0.98、1.35和0.33。与一维光谱相比,FOD结合二维光谱指数筛选的特征波段组合对SMC、pH值和含盐量的响应更敏感,分别以1.5、1.0和0.75阶为最优,其中,SMC最大相关系数绝对值的最佳组合波段为570、1000、1010、1020、1330和2140 nm; pH值为550、1000、1380和2180 nm;含盐量为600、990、1600和1710 nm。相较于原始光谱反射率,SMC、pH值和含盐量最优阶次估算模型验证决定系数(R_p²)最高...     

基于遗传算法特征选择的HBV再激活分类预测模型

探讨原发性肝癌患者精确放疗后乙型肝炎病毒(hepatitis b virus,HBV)再激活的危险特征和分类预测模型。提出基于遗传算法的特征选择方法,从原发性肝癌数据的初始特征集中选择HBV再激活的最优特征子集。建立贝叶斯和支持向量机的HBV再激活分类预测模型,并预测最优特征子集和初始特征集的分类性能。实验结果表明,基于遗传算法的特征选择提高了HBV再激活分类性能,最优特征子集的分类性能明显优于初始特征子集的分类性能。影响HBV再激活的最优特征子集包括:HBV DNA水平,肿瘤分期TNM,Child-Pugh,外放边界和全肝最大剂量。贝叶斯的分类准确性最高可达82.89%,支持向量机的分类准确性最高可达83.34%。     

基于压缩氨基酸和支持向量机进行膜蛋白类型识别

膜蛋白是一类结构独特的蛋白质,是细胞执行各种功能的物质基础。根据其在细胞膜上的不同存在方式,主要分为六种类型。本文利用压缩的氨基酸对原始膜蛋白序列进行信息压缩,再对压缩序列进行氨基酸组成和顺序特征的提取,最后采用支持向量机构建分类模型。通过五叠交叉验证的结果表明,该方法对于六种膜蛋白的分类预测,准确度最高可达98％以上,平均预测准确度在85％以上,可有效实现膜蛋白六种类型的划分,为进一步分析膜蛋白的结构和功能奠定基础。     

基于序列特征的环状RNA识别

环状RNA是新发现的一类具有重要生物学功能的RNA。现有的环状RNA识别工具依赖高通量测序数据,因数据本身和识别方式的弊端而普遍存在准确性不足、不同方法间重复性低以及假阳性率/假阴性率高等缺点。为了解决该问题,我们搭建模型来实现不依赖于测序数据而根据序列的内在特征的环状RNA从头预测。本文选取了包括剪接位点上下游内含子的长度、A-to-I密度和Alu重复序列等100个与RNA成环相关的序列特征,建立了机器学习模型,并识别了人类基因组中的环状RNA,比较了两种机器学习方法随机森林法(RF)和支持向量机(SVM)的分类效果。结果表明,所选序列特征能有效地鉴别RNA能否成环,同时,不同序列特征对模型的分类预测能力的贡献也不同。相比于SVM方法,RF分类的效果更好。     

基于支持向量机的蛋白质同源寡聚体分类研究

基于支持向量机和贝叶斯方法,从蛋白质一级序列出发对蛋白质同源二聚体、同源三聚体、同源四聚体、同源六聚体进行分类研究,结果表明：基于支持向量机, 采用“一对多”和“一对一”策略, 其分类总精度分别为77.36%和93.43%, 分别比基于贝叶斯协方差判别法的分类总精度50.64%提高26.72和42.79个百分点.从而说明支持向量机可用于蛋白质同源寡聚体分类,且是一种非常有效的方法.对于多类蛋白质同源寡聚体分类,基于相同的机器学习方法（如支持向量机）,采用“一对一”策略比“一对多”效果好.同时亦表明蛋白质同源寡聚体一级序列包含四级结构信息.     

两种过滤特征基因选择算法的有效性研究

对基因表达谱进行特征基因选择不仅能改善疾病分类方法的效能,而且为寻找与疾病相关的特征基因提供新的途径．通过比较用调整p值的t检验、非参数评分两种特征基因选择算法后和未进行选择时支持向量机(SVM)分类器的分类性能、支持向量(SV)的吻合度、错分样本ID的吻合度和对样本均匀翻倍后的稳定性．结果发现：特征选择后线性、核函数为二阶多项式和径向基的SVM分类性能明显提高;特征选择前后的SV及错分样本ID的吻合度均较高;SVM的稳定性较好．由此得出结论：这两种特征选择算法具有一定的有效性．     

基于多分类支持向量机的基因表达系列分析

基因表达系列分析(Serial analysis of gene expression,SAGE)是一种基因表达数据,反映了细胞内的动态变化。模式识别和可视化方法是分析SAGE数据的基本工具,但是由于缺乏描述数据的统计特性,传统的聚类分析技术不适用于SAGE数据的分析。本文提出了一种基于多分类和支持向量机的SAGE数据的分析法。经过对模拟数据和人类癌症SAGE数据的分析,基于径向基核函数的多分类支持向量机算法"一对一"(one-against-one,OAO)算法提供了比PoissonC和PoissonS更好的分类结果。     

基于最小二乘支持向量机的农田水汽通量建模

支持向量机是在统计学习理论基础上发展起来的一种新型的机器学习方法,已在模式识别、非线性建模等领域中得到了应用．本文将最小二乘支持向量机方法应用于农田水汽通量的建模中,并同前馈反向传播神经网络的建模性能进行了比较．结果表明,最小二乘支持向量机方法具有可调参数少、学习速度较快等优点,具有更好的推广能力,以更高的精度建立农田水汽通量模型．模型的敏感性分析进一步显示,用最小二乘支持向量机方法建立的农田水汽通量模型是合理可行的．     

应用基于粒子群优化的支持向量机算法识别真核生物基因的RNA聚合酶II启动子序列

启动子是调节基因表达的重要元件,对其的研究对于阐明基因转录调控机制具有重要意义。作者依据RNA聚合酶Ⅱ启动子序列特性选取高效的特征提取方法,构建了基于粒子群优化的支持向量机(particle swarm optimization-support vector machine,PSO-SVM)新方法,用以识别真核生物基因RNA聚合酶Ⅱ启动子。结合5-折交叉检验方法,得到启动子-外显子、启动子-内含子和启动子-基因间序列的分类准确率分别为97.1%、96.7%和98.8%,其马修斯相关系数分别为0.962、0.934和0.976。结果说明,对比其它启动子识别方法,PSO-SVM方法更能有效地识别真核生物基因启动子。