多特征融合的植物长链非编码RNA的预测

长链非编码RNA(Long non-coding RNA, lncRNA)是一类被定义为转录本的长度大于200 nt、没有蛋白编码能力的RNA转录本。研究表明,lncRNA在调节植物生长发育、表观遗传反应以及各种胁迫反应中起重要作用。但是与人类和动物相比,植物lncRNA的研究仍然处于起步阶段。目前,如何从大量的转录本中准确地挑选出lncRNA仍然是植物lncRNA研究领域的重要问题之一。本文构建了新的植物lncRNA和mRNA数据集,分析了数据集中植物lncRNA的序列及结构特征,提取了序列的k-mer频数信息、二级结构信息、开放阅读框信息以及序列的几何柔性等特征,基于SVM(Support Vector Machine, SVM)算法,用Jackknife检验对植物lncRNA进行了预测,并且计算了各种特征融合后对植物lncRNA预测结果的影响,准确率达到了96.14%。     

事件诱发电位信号分类的时空特征提取方法

准确对事件诱发电位(ERPs)进行分类,对于各种人类认知研究和临床医学评估非常有意义.由于ERPs信号是非常高维的数据,而且其中包含非常多的与分类无关的信息,从ERPs信号中提取特征尤显重要.分析了共空间模式(CSP)的原理和不足,引入自回归(AR)模型与白化变换相结合,提出了针对ERPs分类的时空特征提取方法,并设计了验证该方法的认知实验,在认知实验数据上分别用时空特征提取方法与CSP提取特征,用同样的分类器支持向量机(SVM)训练分类器,比较它们的分类效果.实验表明,在ERPs分类问题上,时空特征提取方法与CSP相比具有明显的优势,在参数确定合理的情况下,时空特征提取方法可使分类准确率达到90%以上.     

蛾翅数学形态特征用于夜蛾分类和鉴定的可行性研究

摘要: 为探讨蛾翅数学形态特征(MMC)在夜蛾科分类鉴定中的可行性, 本文利用数字化技术获得和处理昆虫图像, 对鳞翅目夜蛾科6种夜蛾的右前翅提取矩形度、 延长度、 叶状性、 偏心率、 球状性、 似圆度和不变矩Hu1、 Hu2等13项与大小尺度和方向均无关的数学形态特征, 并利用方差分析、 逐步判别分析和聚类分析等方法研究了各项数学形态特征在昆虫分类上作为分类特征的可行性、 可靠性和重要性, 并且从数学形态学角度对夜蛾科6个种的亲缘关系进行了分析。分析结果认为矩形度和延长度2个形态特征对这6种夜蛾的分类鉴定没有显著意义, 从而筛选出11个形态特征作为分类变量, 它们的作用大小依次为： （偏心率、 Hu5、 Hu7）＞Hu2＞似圆度＞球状性＞Hu3＞（叶状性、 Hu1、 Hu6）＞Hu4。利用蛾翅的这些特征参数成功地实现了对夜蛾科6种夜蛾的分类鉴定, 基于这些特征参数的6种夜蛾的亲缘关系远近与基于传统形态学的系统进化观点相同。研究表明蛾翅数学形态特征可应用于蛾类昆虫的快速鉴定, 为未来逐步实现蛾类昆虫的自动识别奠定了基础。     

植物叶形的计算机识别系统

植物叶形是识别植物的重要和常用形态特征, 建立计算机自动识别系统对于认识和正确识别植物十分重要。本文论述了植物叶形图像识别系统设计中的图像处理、特征提取及分类识别等问题。本系统采用Visual Basic.Net编程工具设计, 在Windows 2000/XP平台上通过叶片图像的输入、变换、平滑和分割等识别过程,实现了叶片图像的形状和叶缘特征的结果输出。实验结果表明, 该系统能够很 好地识别植物的叶形, 对14种植物337份叶片样本的叶形测试准确率达93.2%。为植物识别的进一步研究奠定了基础。     

磁共振肿瘤矩特征信息研究

目的:采用MR脑肿瘤图像分割与矩方法进行结合,以获取特定器官及组织的轮廓。方法:对MR脑肿瘤图像进行分割,并对分割的结果进行矩描述。通过分析当前常用的医学图像分割方法,采用了一种基于形变模型的医学图像分割方法,并按照相应的理论算法模型和实现步骤对医学图像进行了处理,最后用Visual C 6.0编程,并对MR脑肿瘤图像进行分割实验。结果:从切割的图形中可以看出,本分割方法分割边界清晰,总体不确定性较小,利用矩技术所提取的图像特征在基于内容的图像检索中是有效的。结论:本分割方法切实可行,分割效果较好,为进一步的MR脑肿瘤图像分析和研究提供了一种有效工具。     

主元余像集主成分分析在蛋白质质谱数据中的应用

癌蛋白质谱数据中包含了大量未知的内部结构和变量。针对癌蛋白质谱数据这些特点,在总结主元余像集主成分分析（二次主成分分析）应用的基础上,提出了用t-验证方法进行特征子集选取,然后用主元余像集主成分分析提取特征,以线性判别分析进行分类的新方法。通过对典型癌蛋白质谱数据的分类实验,证明该方法不但识别率高,而且需要选取的特征子集小,分类速度快,提高了方法的准确性与分类速度。     

基于地基激光雷达点云的植被表型特征测量

植物表型是基因型与外界环境共同作用的结果。精确测量植物表型对于植物生理特征与功能性状研究具有重要意义。本研究以加拿大一枝黄花(Solidago canadensis)为对象,对20株植株进行3个月室内培养,各月利用地基激光雷达扫描(terrestrial Li DAR scanning,TLS)系统对实验植株进行多站扫描和点云融合,实现对植株生长过程的连续观测。对于扫描获取的离散点云,利用多端点三维坐标重构法获取植株高度,并基于叶片点云的Delaunay三角网重构叶片表面,获得植株的真实高度、叶面积、叶倾角和方位角等结构参量。对比手动测量结果,发现基于点云重构获得的植株高度与真实植株高度对比,二者间相似性的决定系数(R2)为0.991,叶面积、叶倾角、方位角相似性R2分别为0.989、0.949和0.871;基于TLS点云重构法实现了非破坏性的植物表型测量,能够获得高精度的植物表型特征;多时相扫描能精确监测植物生长过程的表型特征变化。     

三种广翅蜡蝉前翅形态数值特征提取与分析

【目的】广翅蜡蝉科昆虫是果园、茶园和园艺植物上的重要害虫之一,对其种类进行自动判别是实现其种群自动监测的基础。本研究拟通过获取3种广翅蜡蝉前翅轮廓特征探讨在其种类和性别鉴定中的作用。【方法】采用图像处理与分析技术,对3种广翅蜡蝉前翅轮廓形态特征进行提取和分析,并使用SPSS v22.0对数据进行分析。【结果】同一种广翅蜡蝉左右翅在轮廓形态上无显著差异,雌雄间各参数在不同种类广翅蜡蝉中差异性不同,其中5个实际测量参数在雌雄间差异达到显著或极显著水平,只有透明广翅蜡蝉的周长不显著。除周长和雄虫圆形度外,其它各类参数在种间的差异达到显著或极显著水平。通过典型判别分析,认为所选用的3种广翅蜡蝉,通过其前翅轮廓特征可以进行种间判别,其原始判别和交叉验证判别的正确率均超过90%。【结论】通过提取前翅轮廓特征可以实现3种广翅蜡蝉种类的识别,为此类昆虫的自动鉴定和种群监测提供了重要的参考依据。     

DNA序列的甲基化特征提取软件

提取(量化)特征是DNA甲基化状态预测中的一个关键步骤,然而不同的方法所使用的特征并不相同,特征量化的具体过程计算繁琐。本文集成文献中的重要特征,设计并实现了DNA序列的特征提取软件工具。该软件封装了特征的计算过程,可以方便地批量计算目标序列的相关特征,为后续的数据分析和挖掘提供便利。     

基于多策略滑动伸缩窗特征提取方法预测蛋白质同源寡聚体

寡聚蛋白质广泛地参与多种生命活动,对其预测研究有重要的意义。文章从蛋白质序列出发,提出多策略滑动伸缩窗特征提取方法,采用“ 一对一”的多类分类策略,对蛋白质同源寡聚体进行预测研究。结果表明,在Jackknife检验下,基于支持向量机的多策略滑动伸缩窗特征和氨基酸组成成分构成的特征集在加权情况下,其总分类精度最高达到了75.37%,比单纯的氨基酸组成成分法提高10.05%,比参考文献最好特征BG_Zhang提高了3.82%。 说明多策略滑动伸缩窗特征提取方法对于蛋白质同源寡聚体分类,是一种非常有效的特征提取方法。