一种新的氨基酸描述符SVHEHS在生物活性肽QSAR中的应用研究

对20种氨基酸的457种性质参数按疏水性质、电性特征、氢键贡献和立体特征进行分类后,并各自进行主成分分析(PCA),得到一种新的氨基酸结构描述符SVHEHS(score vector of hydrophilicity, electronic, hydrogen bond contribution and steric properties)。用该描述符分别对一系列血管紧张素转化酶抑制二肽以及苦味二肽进行序列表征,并用来与生物活性建立多元线性回归模型。血管紧张素转化酶抑制二肽、苦味二肽模型的相关系数、交叉验证相关系数、均方根误差分别为0.936、0.854、0.259和0.949、0.886、0.136,同时还对所得模型进行了外部验证。结果表明,该描述符建立的模型具有较好的拟合与预测能力,用于生物活性肽的定量构效关系研究是理想的。     

基于单目视觉的移动机器人跟随

针对室外环境下移动机器人基于单目视觉对目标人实时跟随问题进行了研究,提出通过均值漂移算法对像平面目标的跟踪来实现目标定位。为了补偿摄像机运动造成目标在像平面的偏移,提出了以卡尔曼滤波器的估计值作为均值漂移算法的启动点,然后利用均值漂移算法获得最终位置;为了估计单目视觉下目标与机器人之间的距离,提出了一种借助于主颜色描述子和形状直方图的间接景深计算方法。室外实验表明该算法具有很好的实时性和鲁棒性,能有效实现复杂室外环境下对人的跟随。     

采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅立叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅立叶描述子的识别效果优于Hu不变矩和融合特征（Hu不变矩和傅立叶描述子）;对傅立叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。     

一种基于几何特征的列车集尘器形状匹配算法

针对列车集尘器定位不准确的问题,提出了一种基于几何特征的形状匹配算法。该算法首先对轮廓点进行采样,基于极半径、局部曲率确定关键点的初始位置及点集的映射关系,然后以形心为基准,生成以角度和尺度为几何特征的双重描述子,并对其作标准量化处理。最后使用改进的曼哈顿距离计算描述子的相似性。实验结果表明,该形状匹配算法几乎不受伸缩、旋转、平移等几何变换的影响,具有一定的适应性和鲁棒性。     

一种快速的加权矢量图像匹配方法

为了解决工业生产中产品的快速定位,提出了一种快速的图像匹配方法。首先运用Surf算法提取出图像的特征点,然后运用形状上下文特征进行匹配,得到图像的大致位置,最后依据特征点描述子及其位置特征,通过加权矢量匹配的方式得到图像的精确位置,实现产品的快速定位。该算法稳定性高,计算速度快。实验结果表明,该算法能满足实时的工业生产要求。     

基于梯度角度的直方图局部特征描述子的图像匹配算法

针对传统的局部特征描述子在图像匹配效果和效率上很难兼顾的问题,提出了一种基于梯度角度的直方图(HGA)的图像匹配算法。该算法先通过加速片段测试特征(FAST)获取的图像关键点,然后采用块梯度计算和飞镖靶型结构对局部区域的结构特征进行描述。HGA有效地实现了在旋转、模糊、亮度等多种变换下的良好匹配性能,并在一定程度上具备抗仿射变换的能力。在各种复杂场景下,与高速鲁棒描述子(SURF)、尺度不变特征转换(SIFT)和FAST定向的抗旋转二进制鲁棒独立基元特征(BRIEF)描述子(ORB)进行的实验对比表明基于梯度角度的直方图局部特征描述子达到了匹配效果和效率的均衡,算法时间约为SIFT的1/3,点对匹配准确率均在94.5%以上。     

基于深度学习预测有机光伏电池能量转换效率

采用一种针对有机化合物提出的类语言分子描述符对哈佛清洁能源项目数据库（CEPDB）中29000个有机太阳能电池供体分子进行描述,分子将基于最近邻子图理论被分解成片段（词）,并利用广度优先搜索算法将片段排列成一定的序列（句子）,在每个片段的信息被嵌入一个数值向量后,每个分子可表示为一个信息矩阵。在此基础上,通过一个深层神经网络提取嵌入信息,并与对应材料的光电转换效率（PCE）关联,获得了决定系数（R²）为0.97、均方误差（MSE）为0.16的预测结果。与现有方法的比较表明该方法在精度上具有竞争力。在建模过程中引入注意力机制,识别出了几个对PCE值具有决定性意义的分子片段,可为有机光伏材料的逆向设计提供指导信息。     

An architecture of deep learning in QSPR modeling for the prediction of critical properties using molecular signatures

Deep learning rapidly promotes many fields with successful stories in natural language processing. An architecture of deep neural network (DNN) combining tree-structured long short-term memory (Tree-LSTM) network and back-propagation neural network (BPNN) is developed for predicting physical properties. Inspired by the natural language processing in artificial intelligence, we first developed a strategy for data preparation including encoding molecules with canonical molecular signatures and vectorizing bond-substrings by an embedding algorithm. Then, the dynamic neural network named Tree-LSTM is employed to depict molecular tree data-structures while the BPNN is used to correlate properties. To evaluate the performance of proposed DNN, the critical properties of nearly 1,800 compounds are employed for training and testing the DNN models. As compared with classical group contribution methods, it can be demonstrated that the learned DNN models are able to provide more accurate prediction and cover more diverse molecular structures without considering frequencies of substructures.