生物信息学中的MicroRNA预测研究

为microRNA预测的研究提供参考,讨论了生物信息学中有关MicroRNA预测研究的若干问题。根据最新的研究成果,由MicroRNA预测的特征信息和数据源,从结构序列分析方法、比较基因组方法和机器学习方法等方面对MicroRNA预测的生物信息学方法做了回顾和展望,指出了该领域研究的趋势。通过对3类方法的比较结果表明,采用机器学习方法的效果更优越,能较精确地预测出MicroRNA。     

RBF神经网络最优分割算法及其在股市预测中的应用

将最优分割算法(optimal partition algorithm,OPA)用于径向基函数神经网络参数的训练中.对OPA进行了适当的改进,在改进的OPA中增加了类的中心与宽度的确定方法,并将它们用于确定RBF网络的中心与宽度.提出了利用类的目标函数的差分对网络结构进行动态调整的方法,从而实现了隐节点数的自适应选择.用于股价预测的数值模拟结果验证了该方法的有效性.与传统算法进行比较的结果表明,在预测方面OPA具有较明显的优势.将OPA算法与正交最小二乘法相结合的OPA-OLS算法可以提高趋势预测的正确率.     

遗传算子对免疫算法性能影响的分析

在研究现有进化算法的优越性与存在不足的基础上,受生物免疫原理的启发,提出了一种新的算法--免疫算法.免疫算法是在免疫系统识别多样性的启发下所设计出的一种随机启发式算法,其参数的取值和操作的具体实现形式对算法的性能有较大的影响.本文详细地讨论了基于信息熵概念的免疫算法并分析了交叉和变异遗传算子对免疫算法性能的影响,将遗传算法的非均匀变异操作引入免疫算法,模拟实验结果表明了改进算法的有效性.     

自适应迭代最小二乘支持向量机回归算法

 基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法. 与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机. 模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

延时-回归神经网络及在超声马达控制中的应用

提出了一个结构简单的延时—回归神经网络(Time-delay recurrent neural network,TDRNN)模型.通过在网络中同时引入延时结构和反馈结构来保证网络具有高的记忆"深度"和的记忆"分辨率".建立了TDRNN型的控制器对超声马达进行控制,推导了TDRNN的动态递归反传算法.在离散型Lyapunov稳定性的意义下,导出了权值自适应学习速率的取值范围,保证控制系统的快速收敛.对超声马达速度控制的数值实验表明,本文提出的延时—回归神经网络在动态系统的辨识和控制方面具有很好的性能.     

基于GPGP协同机制的多Agent车间调度方法研究

车间调度作为车间制造系统的重要组成部分,影响着整个车间制造系统的敏捷性和智能性.但是,由于资源和工艺约束的并存,使得车间调度成为一类NP-hard问题.基于静态的智能算法与动态的多Agent思想,提出了一种结合通用部分全局规划(generalized partial global planning,GPGP)机制与多种智能算法的多Agent车间调度模型,设计了从"初始宏观调度"到"微观再调度"的大规模复杂问题的调度步骤,并构建了一个柔性强且Agent可自我动态调度的仿真系统.同时,从理论上总结了GPGP基本协同机制的策略,实现了二级多目标优化调度.最后使用DECAF仿真Agent软件模拟了车间调度的GPGP协同机制,并与CNP,NONE机制进行了比较.结果表明,所提出的模型不仅提高了调度的效率,而且降低了资源的损耗.     

多获胜节点SOM及其在股票分析中的应用

为了增强自组织映射（self-organizing map, SOM）网络的动态竞争和聚类能力,提高解的精度,在无监督的SOM神经网络的基础上,通过拓广获胜节点的数量,改进网络中的邻域函数和连接权函数等方法,提出具有多获胜节点的SOM模型.为了避免多个输入样本映射到同一个输出节点,还提出了禁忌映射的方法.为了验证所提出的方法的有效性,以股票的聚类分析为实例,对该方法进行了检验.通过对每股收益、每股净资产、净资产收益率、每股经营性现金流量及净利润等5项反映上市公司综合盈利能力的财务指标进行了模拟实验,所得的数值结果表明,在标准SOM及所提出的几种多获胜节点SOM网络模型中,具有双获胜节点（SOM with 2 winners, SOM2W）的网络模型获得了最好的聚类效果.结合实验结果对网络模型的进一步分析也表明,SOM2W的聚类能力优于标准SOM及其他网络模型.该模型为股票的分析和选择提供了一种可行的途径,在金融领域具有潜在的应用价值.     

蚁群算法中求解参数最优选择分析*

通过理论分析和一系列的对比模拟实验研究,来探讨蚁群算法中参数的最佳设定原则,以利于蚁群算法在实际中的应用和推广.     

改进的最短路径算法在多点路由上的应用

Dijkstra算法是目前公认的较好的最短路径算法.由于多点路由问题最终归结为最短路径问题,因此将算法改进后应用于多点路由问题.提出的改进主要有以下3点:(1)改变选路策略,基于蚁群算法实现Dijkstra算法的选路操作,使选路更加灵活.(2)结合网络模型的特点,减少了对两顶点之间最短路径以外的大量顶点的计算,提高了算法的速度.(3)考虑到网络路由问题中的阻塞问题,对阻塞顶点进行标识,防止算法选择无用顶点.模拟实验结果表明改进算法较之Dijkstra算法在运算速度上有明显提高.