基于MATLAB的伪随机序列的产生和分析

MATLAB由于其强大的功能而被广泛应用于很多工程领域。在扩频通信中通常的做法是用一扩频序列与信号相乘,从而得到频谱的扩展或压缩,因而扩频序列的性能直接决定着通信质量。伪随机序列中的m序列和Gold序列最常用作扩频序列。该文首先简单介绍了m序列和Gold序列的原理,性能和构造方法,接着在MATLAB中用M语言编程实现它们的产生和分析。仿真结果验证了该方法的正确性和可行性。该方法简练直观,适合工程技术人员参考。     

Galois FCSR的内部状态分析

研究Galois FCSR状态序列的周期与互补性质及进位序列的互补性质。根据周期序列与有理数2-adic表达之间的关系,证明l-序列的状态序列是准周期的,且其周期与l-序列的周期相同。分析以q为极小连接数的l-序列a的状态序列s=(s0, s1,…, sn)及进位序列c=(c0, c1,…, cn),证明若s在t时刻进入周期,则i≥t时,si  si  T/2  , ci  ci  T/2  q ,其中,T = per(a), r = lb(q+1)。     

基于交织方法的ZCZ序列偶集构造

本文提出了一种利用最佳自相关序列偶、正交矩阵和交织技术构造具有一定序列偶数目和零相关区长度的ZCZ序列偶集的新方法。它不仅统一了三元、四相或多相ZCZ序列偶集的构造方法,而且由于ZCZ序列可以看作ZCZ序列偶的特例,因此这种方法也适用于ZCZ序列集的构造。这在QS-CDMA系统扩频序列的设计中有很好的应用前景。     

DnaReSM：一个基于多支持度的DNA重复序列挖掘算法

DNA序列分析研究是生物信息学的重要内容之一。基因组的基因相关区域和基因外区域中含有大量重复序列，尽管目前大多数重复序列的功能还没能肯定，但它们在遗传分析中已起重要作用。挖掘DNA重复序列成为DNA序列分析的关键。自底向上的挖掘算法中间过程产生很多短的、甚至单字符的模式，使得挖掘效率降低；另一方面，目前序列模式挖掘算法在多序列挖掘中表现出高效性，但由于单支持度定义的局限导致无法在挖掘过程中同时找到单条DNA序列中的重复序列，因此不能很好地适用于DNA重复序列挖掘。本文基于新的多支持度序列模式挖掘框架，提出了一种融合自底向上和自顶向下策略挖掘DNA重复序列的新算法DnaReSM，其结果为生物学相关实验提供基础。实验结果表明，DnaReSM探测算法能有效挖掘DNA重复序列。     

时间序列的表示与分类算法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内,依照给定的采样率,对某种潜在过程进行观测的结果。时间序列数据广泛地存在于商业、农业、气象、生物科学以及生态学等诸多领域,从时间序列中发现有用的知识已成为数据挖掘领域的研究热点之一。在时间序列表示方面,主要介绍了非数据适应性表示方法、数据适应性表示方法和基于模型的表示方法;针对时间序列的分类方法,着重介绍了基于时域相似性、形状相似性和变化相似性的分类算法,并对未来的研究方向进行了进一步的展望。     

一种调和序列生成及其在故障定位中的应用

为了提高软件的可靠性,在软件运行发生故障时,快速、准确地定位故障点成为非常有意义的研究课题。与以往方法不同,在将故障运行序列和最部近运行序列进行差异对比前,为了避免选取第一条最近成功路径时引起的“盲区”使得后期搜索空间加大,引入了生物学基因序列比对原理,对最部近运行序列不是通过编辑距离比较进行选取,而是通过一条调和序列进行处理。实验表明,方法的故障定位效果较好。     

基于图结构的候选序列生成算法

先生成候选序列再判断候选序列是否为频繁序列，最后获得频繁序列是序列数据挖掘中基于候选序列挖掘算法的一般结构，如Apriori类算法，GSP算法，SPADE算法等。因此，研究候选序列生成算法具有普遍意义。本文首先研究了序列数据集(序列数据库)与图结构间的关系，证明了一个序列是频繁序列的必要条件是该序列对应于一个完全子图。以此为基础提出了基于图结构的候选序列生成算法，文中给出了算法正确性证明。在T25110D10K和T25120D100K数据集上的挖掘实验表明在本文提出的候选序列生成算法上进行挖掘比用Apriori算法进行挖掘的效率更高。     

随机整数序列和随机实数序列的实现方法

本文首先介绍线性同余法的思想,并用此法分别产生伪随机整数序列和实数序列。     

快速输入超长数字序列的有效方法

本文给出了在Excel中快速输入超长数字序列的两种有效方法。     

数字趋势序列及其全序列匹配算法研究

针对基于点距离的时序数据分析和传统趋势序列分析的缺点，提出了数字趋势序列、序列的Lp距离、序列分段向量等概念，证明了包括“序列分段均值定理”在内的3个重要定理，设计了专门用于数字趋势序列的“基于序列分段向量（SSV）的全序列匹配算法”。算法使用片段斜率所对应的弧度值来度量片段的趋势，同时用趋势的保持时间来对趋势值进行加权，实现了数字趋势序列之间快速的全序列相似性搜索。     

妙用序列填充

在Excel中灵活运用填充柄进行序列数据输入,可以使原本耗时、枯燥的输入变得高效、简便。Excel2000已定义了4种可用于填充的序列数据,如日期序列,在A1单元格输入“1/1”,拖动填充柄至A10单元,则该区域分别填上1月1日至1月10日;时间序列,在A1单元格中输入8:00,拖动填充柄到A10,     

快速输入超长数字序列的有效方法

本文给出了在Excel中快速输入超长数字序列的两种有效方法.     

DNA序列数据挖掘技术

DNA序列数据是一类重要的生物数据.研究DNA序列数据解读其含义是后基因组时代的主要研究任务.数据挖掘是目前最有效的数据分析手段之一,用于发现大量数据所隐含的各种规律,也是生物信息学采用的主要数据分析技术.将数据挖掘技术用于DNA序列数据分析,已得到了广泛关注和快速发展,并取得了许多研究成果.综述了DNA序列数据挖掘领域的研究状况和进展,提出了3个研究阶段:基于统计的挖掘方法应用阶段、一般化挖掘方法应用阶段和专门的DNA序列数据挖掘方法设计阶段.阐述了DNA序列数据挖掘的基础是序列相似性,评述了DNA序列数据挖掘领域所采用的关键技术,包括DNA序列模式、关联、聚类、分类和异常挖掘等,分析讨论了其相应的生物应用背景和意义.最后给出DNA序列数据挖掘进一步研究的热点问题,包括DNA序列数据新的存储和索引机制的设计、根据生物领域知识的数据挖掘新模型和算法的设计等.     

针对视频序列分类的快速抠像技术

针对视频序列分类的问题提出了一种快速抠像技术.根据视频序列间的相关度进行关键帧的区分,得到关键帧、序列间变化细微的非关键帧、序列间变化较大的非关键帧;对于关键帧,采用闭合式的抠像方法来进行处理,获得透明度值、前景像素值和背景像素值;对于变化细微的非关键帧,提出了一种基于帧间连续性的透明度值估计和优化方法;对于变化较大的非关键帧,提出了一种基于特征流传递的机制来传递关键帧的有效信息.实验结果表明,最终在获得与传统方法相比可接受的抠像效果条件下,这种快速抠像技术缩短了处理时间.     

基于编码频繁模式树的序列模式挖掘算法

提出了同时适用于一维和多维序列数据的统一存储结构——编码频繁模式树(CFP-tree)，并通过渐进的前缀序列搜索方式来发现频繁序列模式，避免了在挖掘过程中递归地产生大量的中间子序列。实验证明，该算法在大规模数据的处理上比现有序列模式挖掘算法有更好的性能。     

一种时序组合模式挖掘算法

序列模式挖掘是发现特征的重要方法之一。目前运用于时间序列模式的方法有两类,一种是基于相对时间的离散化模式查询,另一种是基于连续时间的原始时间模式查找。结合目前两种主流算法,提出了频繁同类异构模式算法和频繁异类组合模式算法,并使用图挖掘算法和聚类算法执行快速收敛。实验结果表明,提出的算法运行效率高,同时能够找到扩展性更强,适用性更广的频繁时间序列模式。     

基于子序列全连接和最大团的时间序列模体发现算法

针对时间序列模体发现算法计算复杂，并且无法发现多实例模体的问题，提出基于子序列全连接和最大团的时间序列模体发现（TSSJMC）算法。首先，使用快速时间序列子序列全连接算法求得所有子序列之间的距离，生成距离矩阵；然后，设置相似性阈值，将距离矩阵转化为邻接矩阵，构造子序列相似图；最后采用最大团搜索算法从相似图中搜索最大团，最大团的顶点对应的时间序列为包含最多实例的模体。在公开的时间序列数据集上进行实验，选用已有的能够发现多实例模体的Brute Force和Random Projection算法作为对比对象，分别从准确性、效率、可扩展性和鲁棒性对TSSJMC算法进行分析并获得了客观的评判结果。实验结果表明，与Random Projection算法相比，TSSJMC算法在效率、可扩展性和鲁棒性法方面均有明显优势；与Brute Force算法相比，TSSJMC算法发现的模体实例数量虽略低，但其效率和可扩展性都优于Brute Force算法。因此，TSSJMC是质量和效率相平衡的算法。     

基于交替-连续长度码的测试数据编码方法

为了减少测试数据量,提出基于交替-连续长度码的测试数据编码方法。采用变长-变长的编码方式,直接编码测试集中连续-交替的长度码。实验结果表明,该方法的解压结构是一个简单的有限状态机,所需额外硬件开销小,与同类型的编码方法相比,具有更高的测试数据压缩率。     

数据挖掘技术在DNA序列分割中的应用*

DNA序列分割作为DNA序列分析中的一部分正受到越来越多人的关注,引入数据挖掘技术是提高DNA序列分割有效性的一个重要途径。全面综述了目前数据挖掘技术在DNA序列分割中的应用,最后指出了尚待解决的问题。