基于支持向量机的蛋白质相互作用位点预测

蛋白质的功能常体现在生物大分子的相互作用中,识别蛋白质相互作用位点对于研究蛋白质功能发挥着重要作用。蛋白质间主要通过表面残基发生相互作用,蛋白质相互作用形成复合体时,只有部分表面残基参与了该过程。基于序列谱信息,提取序列上相邻残基的序列谱作为输入特征向量,对大小为3和7的残基信息窗（win3,win7）,分别采用支持向量机（SVM）分类器对蛋白质相互作用位点进行预测、比较和分析。最终实验结果为：win3的平均正确率为69．31％,win7的平均正确率为69．68％。     

基于支持向量机的蛋白质相互作用位点预测

蛋白质的功能常体现在生物大分子的相互作用中,识别蛋白质相互作用位点对于研究蛋白质功能发挥着重要作用.蛋白质问主要通过表面残基发生相互作用,蛋白质相互作用形成复合体时,只有部分表面残基参与了该过程.基于序列谱信息,提取序列上相邻残基的序列谱作为输入特征向量,对大小为3和7的残基信息窗(win3,win7),分别采用支持向量机(SVM)分类器对蛋白质相互作用位点进行预测、比较和分析.最终实验结果为:win3的平均正确率为69.31%,win7的平均正确率为69.68%.     

基于并行多类支持向量机的蛋白质结构预测*

在远同源检测的蛋白质结构预测方法中,基于支持向量机的方法取得了优于其他方法的高准确性,但这类方法只能完成对目标蛋白质作出是否属于特定蛋白质结构的判别,而实际应用中常需要直接给出具体的结构预测结果.提出一种基于多类支持向量机的蛋白质结构预测方法,通过采用加权一对多的多类分类方法对标准支持向量机输出结果进行综合评价,获得唯...     

基于氨基酸组成预测蛋白质热稳定性的v-支持向量机方法

支持向量机有许多优点有效防止过拟和,适合大的特征空间,给定数据集的信息压缩.本文首次利用支持向量机从氨基酸组成来预测蛋白质的稳定性.总预测率可以达到80.64%,对嗜热蛋白质的预测率为82.50%,对嗜温蛋白质的预测率为80.29%从预测率可以验证氨基酸组成与蛋白质热稳定性成正相关的关系,支持向量机可以成为基于氨基酸组成预测蛋白质热稳定性的有效工具.     

基于氨基酸组成预测蛋白质热稳定性的ν-支持向量机方法

支持向量机有许多优点：有效防止过拟和，适合大的特征空间，给定数据集的信息压缩。本文首次利用支持向量机从氨基酸组成来预测蛋白质的稳定性。总预测率可以达到80．64％，对嗜热蛋白质的预测率为82．50％，对嗜温蛋白质的预测率为80．29％从预测率可以验证氨基酸组成与蛋白质热稳定性成正相关的关系，支持向量机可以成为基于氨基酸组成预测蛋白质热稳定性的有效工具。     

基于支持向量机集成的分类

支持向量机是一种基于结构风险最小化原理的分类技术,本文提出了将支持向量机分类器进行集成的分类思想。首先．在原始样本的基础上形成子支持向量机,得到待检样本的子预测;进而对子预测进行适当的组合,以确定样本最终的类别预报。模拟实验结果表明,该方法具有明显优于单一支持向量机的更高的分类准确率。     

结合位点进化距离与支持向量机的蛋白质分类方法

生物信息学的一个关键的研究课题是理解细胞的分子机制,这依赖于对基因所决定的每一条蛋白质的含义或者功能的理解.一般通过与一条或多条功能已知的蛋白质的相似性比较来推测未知蛋白质的功能,其中,基于支持向量机的一些算法取得了很好的成果.SVM-pairwise算法是当前最好的基于支持向量机的算法中的一个,该方法利用两条序列的相似性来将蛋白质序列转化为固定长度的向量.文中提出了一种新的利用支持向量机算法对蛋白质序列进行分类的方法,这种方法使用位点进化距离代替两条序列的比对得分,该方法比SVM-pairwise有着显著的改善,在蛋白质结构分类数据库(SCOP)上进行的实验表明,该方法具有比SVM-pairwise更好的分类性能.     

基于支持向量机的蛋白质名称信息提取技术研究

基于信息提取理论,采取支持向量机和K近邻两种机器学习方法,对生物医学文献中蛋白质名称提取问题进行了相关研究;结果表明,机器学习方法可以较精确地标示出文章中的蛋白质名称,以支持向量机的效果最好,精度达到70．2％,召回率达到60．4％;文章还对文本的特征组合进行了比较研究。     

支持向量机多类分类方法

支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题。当前针对多类问题的支持向量机分类方法主要有5种：一类对余类法（OVR）,一对一法（OVO）,二叉树法（BT）,纠错输出编码法和有向非循环图法。本文对这些方法进行了简单的介绍,通过对其原理和实现方法的分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,给出了比较意见,并通过实验进行了验证,最后提出了一些改进建议。     

复合编码支持向量机预测蛋白质二级结构

蛋白质结构与功能一直是生命科学的研究重点.尽管蛋白质二级结构的预测已得到广泛的应用,但其预测的精度一直受到算法的制约.在本文中,采用复合编码代替传统的氨基酸编码方式,结合氨基酸疏水性对蛋白质结构的影响,提出一种新的支持向量机算法.使用7倍交叉验证表明,本算法提高了二级蛋白质结构预测的准确性,并节约了计算资源.     

处理非平衡数据的粒度SVM学习方法

通过多维关联规则挖掘,将粒度计算（Granular Computing,GrC）和支持向量机（Support Vector Machine,SVM）有效融合,提出一种粒度支持向量机（Granular SVM,GSVM）学习方法,称为AR-GSVM。该方法用于非平衡数据处理时,不仅可以有效降低分类器的复杂性,而且本质上可以进行并行计算以提高学习效率,同时提高分类器的泛化能力。考虑到保持数据在原始空间和特征空间的分布一致性,在AR-GSVM的基础上又提出核空间上的粒度支持向量机学习方法,称为AR-KGSVM,该方法具有更好的泛化性能。通过在UCI数据集上的实验表明：AR-GSVM和AR-KGSVM的泛化能力优于一些常用非平衡数据处理的方法。     

提升小波支持向量机在交通流量预测中的应用*

采用提升小波方法构造出一种满足双正交的小波函数,并将这种小波函数作为支持向量机的核函数;此外,用线性规划问题来代替二次规划问题及稀疏正则化,本质上确保了解的稀疏性.基于提升小波构造出提升小波支持向量机模型,并将其用于交通流量的预测中.仿真实验表明该模型具有良好的预测能力和泛化能力.     

基于支持向量机的干气制乙苯反应器出口温度预测模型研究

鉴于化工过程往往机理复杂、耦合性强、高度非线性,难于建立其机理模型,这时就需要采用经验建模的方法。支持向量机是一种新的机器学习方法,其基于结构风险最小化原则,用支持向量机建模不需要考虑对象机理,且对非线性问题有很好的效果,是一种良好的经验模型,己被应用于不少化工问题中。在本文中我们把支持向量机这一新颖算法应用于干气制乙苯反应器出口温度预测模型中,简要介绍了支持向量机的一些基本理论,在此基础上详细研究支持向量机在干气制乙苯反应器出口温度预测模型建模中的应用。首先,选择支持向量机的类型为ε-SVR,通过四种核函数在实际预测中误差的比较选择径向基(RBF)核函数作为本文支持向量机模型所用的核函数,之后应用交叉验证的方法选择最佳参数C=4,γ=0.0051543,最后建立预测模型并对训练集和预测集分别预测,预测结果相关系数在90%以上,说明模型精度达到要求。对支持向量机和遗传算法优化的BP神经网络算法的建模效果进行综合比较和讨论,得出支持向量机与传统建模方法相比有更好的预测准确率的结论。     

基于线性规划的分类支持向量机

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支持向量机进行数值试验,其中有3种是线性规划支持向量机(包括提出的两种支持向量机)和经典的二次规划支持向量机.实验结果表明,对线性支持向量机中3种支持向量机计算的模型参数均与理论值接近;对非线性支持向量机情形中l1-范数支持向量机具有最少的支持向量和较好的学习效果.     

基于构造映射的支持向量分类机

构造了基于马氏距离和Cupula函数的距离映射和条件概率映射,将高维空间中的样本转化为二维空间中的新样本,并对新样本进行简易处理,构建了可分支持向量分类机,其特点是简单,易于实现。实验表明取得了较好的分类效果。     

Position computation models for high-speed train based on support vector machine approach

High-accuracy positioning is not only an essential issue for efficient running of high-speed train (HST), but also an important guarantee for the safe operation of high-speed train. Positioning error is zero when the train is passing through a balise. However, positioning error between adjacent balises is going up as the train is moving away from the previous balise. Although average speed method (ASM) is commonly used to compute the position of train in engineering, its positioning error is somewhat large by analyzing the field data. In this paper, we firstly establish a mathematical model for computing position of HST after analyzing wireless message from the train control system. Then, we propose three position computation models based on least square method (LSM), support vector machine (SVM) and least square support vector machine (LSSVM). Finally, the proposed models are trained and tested by the field data collected in Wuhan-Guangzhou high-speed railway. The results show that: (1) compared with ASM, the three models proposed are capable of reducing positioning error; (2) compared with ASM, the percentage error of LSM model is reduced by 50.2% in training and 53.9% in testing; (3) compared with LSM model, the percentage error of SVM model is further reduced by 38.8% in training and 14.3% in testing; (4) although LSSVM model performs almost the same with SVM model, LSSVM model has advantages over SVM model in terms of running time. We also put forward some online learning methods to update the parameters in the three models and better positioning accuracy is obtained. With the three position computation models we proposed, we can improve the positioning accuracy for HST and potentially reduce the number of balises to achieve the same positioning accuracy.     

基于Renyi熵的LS-SVM财务困境预测模型

为了提高企业财务困境预测的正确率,减少训练模型的样本数和训练时间,在传统支持向量机预测模型的基础上,将Renyi熵和最小二乘支持向量机算法应用于财务困境预测,提出了一种基于Renyi熵的最小二乘支持向量机预测模型.独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进算法的实现步骤.实验结果表明,该算法无论是训练样本的数量还是训练时间,都显著优于传统的最小二乘支持向量机以及标准支持向量机预测模型.     

支持向量机方法用于民航安检炸药判别研究

目前的民航安检X射线透视设备无法直接检出塑料炸药，国际上初步频研究有效的γ射线共振技术可以透射瞬时测定行李中的物件的氮，氢，氧，碳含量。为与此技术配套，本工作应用对小样本集统计预报特别有效的支持向量机（support vector mahine,简称SVM）算法根据样品的氮，氢，氧，碳含量判别常见民用品和炸药，并用留一法比较SVM，Fisher法和人工神经网络算法的预报效果。结果表明SVM算法误报最少，且对所列炸药无一漏报，据此建立了炸药判别系统软件的原型，在实验室中模拟测试结果良好。     

支持向量机算法用于拮抗药化合物活性的模式识别

试用新近提出的，特别适合于小样本多变量训练集的支持向量机（support vector machine,简称SVM）算法于复杂药物分子设计。对一批26个处理化疗或放疗呕吐拮抗药的候选化合物筛选数据用留一法判别SVM的预报能力。结果表明：与人工神经网络，最近邻法（KNN），Fisher法相比，SVM算法可以提供误报率更低的数学模型。     

基于简易支持向量机的客户流失预测研究*

应用简易支持向量机（SSVM）进行客户流失预测,以提高机器学习方法的预测能力。以国外电信公司客户流失预测为实例,与最近邻算法（NPA）进行了对比,发现该方法在获得与NPA近似准确率的条件下,所花费的时间和时间增加值远小于NPA,是研究客户流失预测问题的有效方法。