Structural Aspects and Prediction of Calmodulin-Binding Proteins

Calmodulin (CaM) is an important intracellular protein that binds Ca²⁺ and functions as a critical second messenger involved in numerous biological activities through extensive interactions with proteins and peptides. CaM’s ability to adapt to binding targets with different structures is related to the flexible central helix separating the N- and C-terminal lobes, which allows for conformational changes between extended and collapsed forms of the protein. CaM-binding targets are most often identified using prediction algorithms that utilize sequence and structural data to predict regions of peptides and proteins that can interact with CaM. In this review, we provide an overview of different CaM-binding proteins, the motifs through which they interact with CaM, and shared properties that make them good binding partners for CaM. Additionally, we discuss the historical and current methods for predicting CaM binding, and the similarities and differences between these methods and their relative success at prediction. As new CaM-binding proteins are identified and classified, we will gain a broader understanding of the biological processes regulated through changes in Ca²⁺ concentration through interactions with CaM.     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

采用信息增益率的混合入侵检测模型设计

针对现有混合入侵检测模型仅定性选取特征而导致检测精度较低的问题，同时为了充分结合误用检测模型和异常检测模型的优势，提出一种采用信息增益率的混合入侵检测模型.首先，利用信息增益率定量地选择特征子集，最大程度地保留样本信息；其次，采用余弦时变粒子群算法确定支持向量机参数构建误用检测模型，使其更好地平衡粒子在全局和局部的搜索能力，然后，选取灰狼算法确定单类支持向量机参数构建异常检测模型，以此来提高对最优参数的搜索效率和精细程度，综合提高混合入侵检测模型对攻击的检测效果；最后，通过两种数据集进行仿真实验，验证了所提混合入侵检测模型具有较好的检测性能.     

结合优化支持向量机与K-means++的工控系统入侵检测方法

针对工业控制系统传统单一检测算法模型对不同攻击类型检测率和检测速度不佳的问题，提出一种优化支持向量机和K-means++算法结合的入侵检测模型。首先利用主成分分析法（PCA）对原始数据集进行预处理，消除其相关性；其次在粒子群优化（PSO）算法的基础上加入自适应变异过程避免在训练的过程中陷入局部最优解；然后利用自适应变异粒子群优化（AMPSO）算法优化支持向量机的核函数和惩罚参数；最后利用密度中心法改进K-means算法与优化后的支持向量机组合成入侵检测模型，从而实现工业控制系统的异常检测。实验结果表明，所提方法在检测速度和对各类攻击的检测率上得到明显提升。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于改进模糊综合评价法的水利工程社会评价研究

通过对水利工程社会评价及模糊综合评价法的介绍,讨论了模糊层次分析法中的一致性检验问题,并采用改进的模糊综合评价法对江垭水利枢纽工程进行社会评价,得到综合评价结果。     

Computerized IR Determination of Structural Group Composition for High-Boiling Oil Fractions

A computerized form is given of IR spectral determination for structural group composition in high-boiling oil fractions by Berthold's method (7 structural elements) and Kuklinskii's method (28 structural elements), which reduces the analysis time by factors of 3–4 and improves the accuracy.     

应用改进BP网络对潼关高程的预测

作者在分析了影响汛前和汛后潼关高程变化值的因素的基础上，利用改进BP网络模型对非特征汛期和汛期潼关高程的变化值进行了计算。计算中不采用潼关的绝对高程，而用高程的变化量作为网络的较出物正量，从而减少计算误差，同时又能客观地考虑各影响因子的作用。改进后的BP模型学习时间短，精度满足要求。用该模型计算的潼关高程变化趋势与实际水库调度运行中的高程基本吻合。     

基于支持向量机的多类分类研究

现今流行的分类方法的重要基础是传统的统计学，前提是要有足够的样本，当样本数目有限时容易出现过学习的问题，导致分类效果不理想。引入支持向量机方法，它基于统计学习理论，采用了结构风险最小化原则代替经验风险最小化原则，较好的解决了小样本学习的问题；又由于采用了核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。对其相关内容包括优化算法及多类分类问题的解决进行了研究，最后用一个实例说明了该方法的可行性和有效性。     

大规模训练数据的支持向量机学习新方法

支持向量机不能直接对大规模的训练数据进行学习。提出一种新的减小样本集规模的方法；在映射后的高维空间中寻找两种类别的交界部分，交界部分上的样本作为学习样本。并且指出，不需涉及具体映射的形式只用核函数即可找到交界部分的样本。实验表明，新方法优于直接在低维样本空间中寻找交界部分样本的方法。