基于小波特征分析的手指动作识别研究

目的:本文利用表面肌电(sEMG)信号来研究多种手指组合动作的识别问题。方法:在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机(SVM)分类算法来实现手指组合动作的识别。结果:动作识别率最高达到100%。结论:所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础。     

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。     

采用Reichardt运动检测器和Boltzmann Machine神经网络的运动计算

建立了一个探讨灵长类视皮层从Ｖ１区到ＭＴ区的运动信息加工原理的计算模型,这个过程的突出特征是视觉运动信息经过了从局部检测进步到整体感知。模型的第一层由用于抽提运动模式的局部速度以及结构性质的Ｒｅｉｃｈａｒｄｔ运动检测器组成,进一步的加工是通过Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ神经网络来实现的。这种网络的学习算法具有局部更新的显著性质,在学习阶段,网络不断地修改联结权重以形成对于记录在网络的显单元上     

交变应力作用下烟草细胞热力学相行为的研究

研究了交变应力对烟草愈伤组织细胞的影响, 采用本实验室研制的强声波发生装置来产生交变应力场, 并利用差式扫描量热仪（ＤＳＣ） 研究了不同强度和频率的交变应力作用后烟草细胞热力学相行为的变化。研究结果表明：交变应力的影响与应力的频率和强度密切相关,一定频率和强度范围内的交变应力能使得植物细胞的相变温度有明显的降低, 而过高频率的应力刺激则会使细胞相变温度升高。细胞热力学相变反映了细胞壁膜的流动性,相变温度变低表明细胞壁膜的流动性增强, 这必然为细胞的生长和分裂提供了便利的条件。 因此, 对于从细胞和分子水平研究交变应力对植物生长、发育的影响及其作用机理是一个很有意义的尝试     

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。     

基于SVR算法的林地土壤氮含量高光谱测定

提出了一种利用高光谱技术进行杉木林土壤全氮测定的新方法。以FieldSpec®3地物光谱仪采集杉木林土壤148份, 随机分成校正集(100份)和检验集(48份)。以不同方法实现了土壤光谱的预处理, 并采用偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析, 发现小波除噪结合多元散射校正能最有效地消除原始光谱的噪声与背景信息, 此时PLS模型校正集与预测集R²分别为0.891与0.885。为进一步优化模型, 对经小波除噪结合多元散射校正处理后的光谱采用主成分分析法(PCA)降维, 以前4个主成份为输入变量, 采用小二乘支持向量机回归算法(LS-SVR)建立了土壤氮含量估测模型, 其校正集与预测集R²分别提高至0.921与0.917, 具有比PLS算法更高的精度。结果表明:以高光谱技术进行林地土壤氮含量快速监测是可行的, 其中小波去噪结合多元散射校正系光谱预处理的优选方法, 而LS-SVR则是建模的优选方法。     

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.     

基于支持向量机的民航飞行人员人格选拔分类器的探讨

目的:探究将统计学习方法应用于心理测验所得的大量数据进行学习分析的可行性,并基于探究结果对飞行职业的人格特征进行进一步探索,为飞行人员的选拔及评估提供新的思路。方法:从某航空公司随机抽取1020名男性被试,其中飞行人员510名,非飞行人员510名,采用卡特尔16项人格测试对其进行测验,施测后对得到的16项因子分采用支持向量机就随机划分的训练组和测试组进行学习,分析学习结果。结果:挑选出4项因子作为分类的特征因子,基于线性支持向量机构建的分类器在交叉验证下的平均正确率为64%。结论:采用SVM构建的分类器具有一定的可靠性和有效性。