新型粒子群优化算法在多序列联配中的应用

将粒子群优化算法应用于序列联配,提出了一种改进的粒子群优化算法,该算法在粒子群的进化过程中根据粒子的适应值动态地调整粒子群的惯性权重与粒子群飞行速度范围,提高了算法的收敛速度和收敛精度;针对PSO算法可能出现的早熟现象,引入重新初始化机制,增强了算法的搜索能力,实验表明该算法是有效的。     

微粒群优化神经网络及其在环境评价中的运用

农业项目环境影响综合评价是目前新的研究领域,随着农业项目的增加,其环境影响的研究愈来愈重要.以某农业项目为例,运用PSO-BP进行农业项目环境评价;仿真和实验表明:微粒群优化神经网络,能够克服神经网络收敛速度慢,陷入局部最小的缺点;微粒群优化算法涉及的参数不多,但是微粒群优化结果是比较理想的.     

基于粒子群优化算法的脑磁图源定位

脑磁图作为一种新型的脑探测技术,具有较高定位精度和毫秒级时间分辨率的特点。快速准确地利用脑磁图技术对三维空间中的脑神经活动源进行定位,对于脑功能研究和医学临床应用都具有重要的应用价值。可是,目前的脑磁图源定位广泛采用了多信号分类方法,它要求对三维大脑空间进行全局扫描,需要大量的计算,存在速度慢的缺点。针对这一问题,提出了一种基于粒子群优化算法的脑磁图源定位方法。先利用粒子群优化算法全局搜索能力强的特点寻找出目标函数的全局最优值,进行初步的脑磁图源定位;然后,再在小范围内进行小网格的搜索,进一步实现精确的定位。实验结果表明,基于粒子群优化算法的脑磁图源定位能够很好地解决上述问题,具有计算速度快、定位精度高的特点。     

基于微粒群-马尔科夫复合模型的生态空间预测模拟——以长株潭城市群为例

生态空间具有重要的生态功能,对生态空间进行科学预测模拟可为保护国土空间生态安全提供决策依据。利用Arc GIS及MATLAB软件,在生态空间风险评价的基础上构建了微粒群-马尔科夫复合模型,并以长株潭城市群为研究区,基于2013年土地利用现状数据,对2020年的生态空间进行了预测模拟,最后在此基础上提出了生态空间重构的基本思路。结果表明:1)微粒群-马尔科夫复合模型(PSO-Markov)构建的基本步骤为:第一步:粒子的选择与设计,以2000 m×2000 m的正方形单元作为基本粒子。第二步:粒子的初始化设定,根据生态空间风险由低到高的原则进行选择。第三步:适应度函数的建立,用生态空间的风险值来确定生态空间的空间格局。第四步:空间位置的更新,根据自身的历史最优值及粒子群的全局最优值进行速度和位置更新。2)微粒群-马尔科夫复合模型(PSO-Markov)是一种土地利用格局预测的新途径,生态空间的数量规模可以通过改进后的马尔科夫模型进行预测,生态空间的格局可以通过微粒群模型进行预测。3)微粒群-马尔科夫复合模型具有4个特点:第一、数量预测较为合理。第二、搜索范围大、较好地考虑到局部对全局的影响。第三、受问题维数变化影响小,在求解多目标问题时具有明显优势。第四、收敛时间短、运算速度快、易于实现。4)2020年,长株潭城市群的生态空间总体数量减少,其中林地和未利用地面积变化最明显,空间变化主要集中分布在西南部地区。生态空间总面积减小的主要原因是建设用地的扩张。因此,要控制城市群的人口密度,优化城市群生产—生活—生态的数量结构及空间布局,尤其要合理规划与利用城市建设用地,充分发挥水体与未利用地的生态价值,重点保护好生态源地、廊道及关键结点,构建结构合理、功能齐全的生态网络系统,提高系统的生态服务价值功能,要在规划的指导下合理调整城市群的城乡局部空间结构,保护生态环境,提高生境质量和景观多样性。这是今后一段时期面临的主要任务。     

心电信号特征量的小波提取算法

目的:为了更准确地利用心电图(ECG)进行临床生理疾病诊断,提高心电信号的自动分析准确度.介绍了一种利用小波变换的时频局部化特性以及多分辨率特性对心电信号进行处理的算法.方法:使用定位准确.计算简便的二阶微分Mart小波使用多孔算法来对ECG中QRS波群进行标定.结果:将算法应用到MIT/BIH国际标准心电数据库进行仿真.结论:通过仿真证明,该算法能够很精确地定位QRS波群,为心电信号的后续研究打好基础.     

复杂生态系统稳定性的补偿模糊神经网络建模

以环境因素、植物功能群、植食动物功能群、捕食动物功能群和分解者功能群为5组输入。建立实现模糊参数自动调整和补偿模糊推理的复杂生态系统稳定性的补偿模糊神经网络模型,评价复杂生态系统的稳定性,通过计算机仿真,验证了所提出的方法具有学习效率高、评价精确度高、泛化能力强的优点．     

H?lder条件下求解重根的Traub算法的收敛半径

2010年任宏民和Argyros~([1])对求解重根的牛顿法的收敛半径进行了分析,首次给出了重根迭代局部收敛性的分析方法.2011年毕惟红等人基于该思路计算了Halley算法的收敛半径,2018年JoséL等人给出了Osada算法的收敛半径.而对于非线性方程重根迭代算法中,Traub算法至今无人研究,本文将基于任红民和Argyros给出的基本思路计算Traub算法的收敛半径,并通过具体实例进行分析.     

基于PSO-LSSVR模型的土壤肥力评价

通过引入粒子群算法(PSO)和最小二乘支持向量机(LSSVR),提出基于PSO-LSSVR的土壤肥力评价模型。选取有机质、全氮速效磷、速效钾、阳离子交换量、酸碱度、容重、黏粒、水稳性团聚体和分散率等10种评价指标,以吉林省黑地为例,建立土壤肥力评价模型。同时与物元可拓法、普通SVM模型的评价结果进行比较;3种方法的多数样本评价结果基本一致,对于样本2、样本13,PSO-LSSVR模型分别定为Ⅳ级、Ⅲ级,符合实际情况;表明PSO-LSSVR是一种适用且能准确反映土壤特性的土壤肥力评价模型。     

拟结晶投料环氧黄体酮犁头霉羟化过程研究

环氧黄体酮羟化产物是多种甾体激素药物的中间体,其11-羟化过程利用犁头霉(Absidiacoerulea)所得转化率远高于其他菌株。采用拟结晶投料方式,将环氧黄体酮颗粒细化后加一定量水,β-环糊精,吐温-80,超声波乳化后投入发酵液中。这种投料方式可避免传统投料中使用有机溶剂毒害细胞的缺点,更利于底物转化。采用多层前传神经网络建立培养基和投料成分配比与转化率关系模型,并将具有全局寻优性能的粒子群优化算法(PSO)应用于培养基和投料成分配比的优化,收敛速度快,效果好。在优化的操作条件下,摇瓶中投料浓度为10g/L时底物转化率达到87.5%,在3.7L发酵罐中投料浓度提高到20g/L时底物转化率仍高达86.6%。     

肿瘤亚型识别研究中智能算法的应用

目的:为解决肿瘤亚型识别过程中易出现的维数灾难和过拟合问题,提出了一种改进的粒子群BP神经网络集成算法。方法:算法采用欧式距离和互信息来初步过滤冗余基因,之后用Relief算法进一步处理,得到候选特征基因集合。采用BP神经网络作为基分类器,将特征基因提取与分类器训练相结合,改进的粒子群对其权值和阈值进行全局搜索优化。结果:当隐含层神经元个数为5时,候选特征基因个数为110时,QPSO/BP算法全局优化和搜索,此时的分类准确率最高。结论:该算法不但提高了肿瘤分型识别的准确率,而且降低了学习的复杂度。     

变时延神经网络的全局指数稳定性及收敛性

利用Lyapunov泛函方法和线性矩阵不等式（LMI）技术,通过引入一系列参数,给出全局指数稳定的平衡点的判别条件和时延的最大上界和神经网络的收敛速度,所得结果较之一些文献中的结果简单、实用并且对于具体设计带时延神经网络有重要的指导意义.最后,通过实例表明给出的判定条件是有效、可行的.     

一种新的无标度网络构建方法及其在基因表达谱模拟上的应用

本文提出一种新的基于重连接方法的无标度网络构建算法．根据重连接方法新节点的调控节点会被重选,重连接概率取决于幂率分布模型参数gamma．用本文算法构建的网络通过微分方程模型来模拟基因表达谱数据,所用的优化算法为GA与PSO．候选节点的选择可以根据已有节点的连接数决定．实验的网络可以用log-log图,模拟的基因表达谱也用微分方程模型来验证效果．每个连接的正确性将会通过实验验证,完整的程序可以通过我们的官方网站获得：http://ccst.jlu.edu.cn/CSBG/ourown/.     

无氧耐力运动状态下延缓机体血乳酸积累的训练方法探索

通过发展非原动肌群慢肌纤维有氧清除乳酸的能力,探索无氧耐力运动中,延缓血乳酸快速积累的训练方法.两组受试者在提高糖酵解能力的基础上,实验组增加小力量训练方法,发展非原动肌群的慢肌纤维,提高其清除血乳酸的能力.通过测试原动肌群丙酮酸激酶活性、非原动肌群苹果酸脱氢酶活性、400 m跑定量负荷后血乳酸浓度、400 m跑极量负荷后血乳酸清除速率等指标进行分析比较.结果表明:在发展原动肌群糖酵解能力的基础上,充分发展非原动肌群慢肌纤维有氧清除乳酸的能力,对于延缓运动中乳酸过快积累,是一种行之有效的训练方法.     

实数遗传算法的改进研究

在现有文献研究的基础上,对实数遗传算法又作了进一步研究,提出了一种改进算法．该算法不仅可快速产生初始种群,而且实现了子代种群的产生在优化方向上进行,提高了算法的搜索能力,克服了子代个体位置限制的不足,有利于保持种群的多样性,提高了避免未成熟收敛于局部最优解的能力．     

利用粒子群算法在菱形网格上预测蛋白质结构

本文在菱形网格上研究讨论了二维HP模型。首先,将蛋白质结构预测问题转化成一个数学问题,并简化成氨基酸序列中每个氨基酸与网格格点的匹配问题。为了解决这个数学问题,我们改进并扩展了经典的粒子群算法。为了验证算法和模型的有效性,我们对一些典型的算例进行数值模拟。通过与方格网上得到的蛋白质构象进行比较,菱形网上的蛋白质构象更自然,更接近真实。我们进一步比较了菱形网格上的紧致构象和非紧致构象。结果显示我们的模型和算法在菱形网格上预测氨基酸序列的蛋白质结构是有效的有意义的。     

SC-BPSO:肝癌分类中一种融合过滤器的二进制粒子群算法特征的选择方法

癌症的早期诊断能够显著提高癌症患者的存活率,在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中,选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特征选择方法SC-BPSO:通过组合Spearman相关系数和卡方独立检验作为过滤器的评价函数,设计了一种新型的过滤器方法——SC过滤器,再组合SC过滤器方法和基于二进制粒子群算法(BPSO)的包裹器方法,从而实现两阶段的特征选择。并应用在高维数据的癌症分类问题中,区分正常样本和肝细胞癌样本。首先,对来自美国国家生物信息中心(NCBI)和欧洲生物信息研究所(EBI)的130个肝组织microRNA序列数据(64肝细胞癌,66正常肝组织)进行预处理,使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑水平和编辑后表达量3类特征。然后,调整SC-BPSO算法在肝细胞癌分类场景中的参数,选择出关键特征子集。最后,建立分类模型,预测结果,并与信息增益过滤器、信息增益率过滤器、BPSO包裹器特征选择算法选出的特征子集,使用相同参数的随机森林、支持向量机、决策树、KNN四种分类器分类,对比分类结果。使用SC-BPSO算法选择出的特征子集,分类准确率高达98.4%。研究结果表明,与另外3个特征选择算法相比,SC-BPSO算法能有效地找到尺寸较小和精度更高的特征子集。这对于少量样本高维数据的癌症分类问题可能具有重要意义。     

基于物理化学性质优化的蛋白质相互作用预测研究

蛋白质相互作用预测是生物信息学研究的重要问题之一,提出了一种基于物理化学性质优化的蛋白质相互作用预测方法,与现有方法的显著不同就是,并未使用已知的氨基酸残基的物理化学性质,而是通过粒子群算法优化得到有益于相互作用预测的物理化学性质数值.对真实的数据集测试表明,优化得到的物理化学性质比现有的物理化学性质更有益于提高蛋白质相互作用的预测性能,与其它方法相比,也具有一定的优势,说明该方法是一种有效的蛋白质相互作用预测方法.     

智能预测模型在多粘芽孢杆菌发酵中的应用

多粘芽孢杆菌发酵是一个极其复杂的生物反应过程,其诸多参数具有动态非线性。传统的发酵实验都是在不断地尝试中进行的,如果能预测发酵过程中的主要参数则会大大提高实验效率。用一种智能预测模型,即将Kohonen网络、Elman神经网络和粒子群优化算法有机结合,可以预测发酵过程中的主要参数。该模型的仿真实验结果符合多粘芽孢杆菌发酵的动力学特点,实现了部分参数的有效预测。研究结果表明该智能预测模型不但能够综合各种单一预测模型的优点,而且能够随时间的推移其内在结构不断变化,适用于多粘芽孢杆菌发酵过程的参数预测和特性优化。相对于传统预测方法,提高了预测效率。     

肠道微生物群对肺部免疫微环境稳态影响的研究进展

肠道微生物群是与宿主共生的最大的微生态系统的重要组成部分,它们通过调节宿主的内分泌、代谢、神经和免疫微环境影响人体的多种基本功能。近年来,肠道微生物群对机体局部和远端免疫器官的影响引起了科学家们的广泛关注。肠道微生物和肺之间的相互作用被称为“肠-肺轴”,对肺部免疫微环境稳态的维持至关重要。研究表明,肠道微生物群失调与哮喘、肺炎和囊性纤维化等多种肺部疾病密切相关。本文将对肠道微生物群对肺部免疫微环境稳态的影响及在多种肺部疾病中的作用进行阐述,为临床通过调整肠道微生物群来治疗肺部疾病和维持肺部免疫微环境稳态提供理论依据。     

基于核局部线性嵌入的基因表达谱数据分类

针对局部线性嵌入算法（LocalLinearEmbedding,LLE）利用试凑法寻找近邻数耗时的缺陷性,提出一种增强的核局部线性嵌入算法（EnhancedKernelLocalLinearEmbedding,EKLLE）自动为样本分配邻域;该算法以高斯核函数为核心改进标准LLE距离度量准则,结合样本的类别信息,无需人工干预自动为样本设置不同的近邻数,克服了试凑法获得最优结果时需要大量时间;最后在各样本近邻数不相同的情况下对数据进行维数简约及待测样本分类。EKLLE算法有效地将高维基因表达谱数据映射到低维本质空间中,解决了传统LLE算法不能很好地处理合噪声或者稀疏数据的缺点。通过对比其他肿瘤样本分类实验,验证本文方法的实时性和精确性。