基于QPSO算法和S-系统的基因调控网络分析与重构*

基于量子粒子群(QPSO)算法分析和重构了基因调控网络。利用S-系统模型进行基因调控网络的模拟,基本方法以真实实验数据与模拟数据的差的平方和作为目标函数进行迭代优化,只能预测数目很少的参数并且算法的收敛率很低。依据基因网络的稀疏性,提出了基于QPSO算法的逐步优化策略,将整个优化过程分为三个阶段,通过逐步确定无效参数的位置来简化模型。仿真实验基于QPSO算法逐步优化策略成功实现了一个包含5个节点60个参数的S-系统优化。     

一种用于基因调控网络建模的CGP-WPSO混合算法

依靠基因调控网络来预测农作物的表现型,对于保障全球的粮食安全有着极其重要的意义。提出了一种基于笛卡尔遗传规划(Cartesian genetic programming)和线性递减惯性权重粒子群优化(linear decreasing inertia weightparticle swarm optimization)的混合算法,用于基因调控网络的建模。进一步,为了验证算法的有效性,将算法应用于拟南芥开花调控系统的模型重建问题。最后通过计算机仿真实验表明,该算法能够根据农作物的基因型和环境情况,重建出能够较精确地预测农作物表现型的基因调控网络模型。     

构建时延基因调控网络的多数据源融合算法

为了进一步提高基因调控网络构建的精确度,提出一种基于多数据源融合的时延基因调控网络构建算法.该算法基于递归模糊神经网络模型,使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率.在网络结构学习阶段,使用离散多目标粒子群优化(discrete multi-objective particle swarm optimization,dMOPSO)算法实现从时序基因表达数据和CHIP-chip数据共同构建基因调控网络.人工模拟数据和酵母菌细胞周期表达数据的实验结果表明该算法能正确选出潜在的调控基因,从而更加精确地构建基因调控网络.     

基于混合算法的配电网重构研究

配电网重构的目的在于对电力网络结构的优化.以网络损耗为目标函数,利用配电网开环运行的特点,构建了一个节点数据存储矩阵,在迭代时更新矩阵,再用前推回代方法进行潮流计算.其次,为了弥补单一算法的缺陷,在粒子群算法的基础上,引入遗传算法中的算子后,对粒子进行更新,以此混合求解配电网重构问题.最后,利用MATLAB对标准IEE...     

基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用

首先利用粒子群算法和投影寻踪技术构造神经网络的学习矩阵,基于负相关学习的样本重构方法生成神经网络集成个体,进一步用粒子群算法和投影寻踪回归方法对集成个体集成,生成神经网络集成的输出结论,建立基于粒子群算法-投影寻踪的样本重构神经网络集成模型。该方法应用于广西全区的月降水量预报,结果表明该方法在降水预报中能有效从众多天气因子中构造神经网络的学习矩阵,而且集成学习预测精度高、稳定性好,具有一定的推广能力。     

基于粒子群优化与BP算法的协同神经网络学习方法

针对标准BP算法易陷入局部极值及收敛速度慢等问题,提出一种基于粒子群优化与BP算法的协同神经网络学习方法。该方法在网络的学习过程中,同时利用PSO优化算法与BP算法进行最优网络权值的协同搜索,从而充分利用粒子群算法的全局搜索性及BP算法的反向传播特点。将该算法应用于4个复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络算法进行比较。实验结果表明所提的协同算法的性能优于传统的BP网络优化算法。     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

求解矩阵特征值和特征向量的PSO算法

提出一种基于粒子群优化算法的求解方法,将线性方程组的求解转化为无约束优化问题加以解决,采用粒子群优化算法求解矩阵特征值和特征向量。仿真实验结果表明,该方法求解精度高、收敛速度快,能够在10代左右收敛,可以有效获得任意矩阵的特征值和特征向量。     

基于高斯加权的GeesePSO改进算法

为了提高粒子群算法的优化性能,通过观察和分析雁群结队飞行的智能群体现象,国内学者提出了基于雁群启示的粒子群优化算法(GeesePSO,GPSO)。该算法虽然在一定程度上提高了PSO算法的性能,但是在GPSO算法中存在着不合理的加权平均机制,即最小值寻优方面的加权缺陷。针对该问题,本文通过采用高斯加权方法对GPSO进行合理改进,提出一种基于高斯加权改进的粒子群优化算法(Gaussian-Weighted GPSO,GWGPSO)。实验结果表明:新算法在收敛精度、收敛速度和鲁棒性等指标上得到了提高,从而证明高斯加权方式是合理的和正确的。     

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。     

Constructing gene regulatory networks from microarray data using GA/PSO with DTW

Recently, many methods have been proposed for constructing gene regulatory networks (GRNs). However, most of the existing methods ignored the time delay regulatory relation in the GRN predictions. In this paper, we propose a hybrid method, termed GA/PSO with DTW, to construct GRNs from microarray datasets. The proposed method uses test of correlation coefficient and the dynamic time warping (DTW) algorithm to determine the existence of a time delay relation between two genes. In addition, it uses the particle swarm optimization (PSO) to find thresholds for discretizing the microarray dataset. Based on the discretized microarray dataset and the predicted types of regulatory relations among genes, the proposed method uses a genetic algorithm to generate a set of candidate GRNs from which the predicted GRN is constructed. Three real-life sub-networks of yeast are used to verify the performance of the proposed method. The experimental results show that the GA/PSO with DTW is better than the other existing methods in terms of predicting sensitivity and specificity.     

基于类间散布矩阵的二维主分量分析

主分量分析是一种线性特征抽取方法,被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵,并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA,以类间散布矩阵的本征向量作为投影方向,取得了比利用总体散布矩阵更好的识别效果,并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。     

用户体验质量评估模型及KQI权重计算方法

根据影响用户体验质量(QoE)的技术因素和非技术因素,建立QoE评估模型,以较好地呈现用户主观感受和网络因素。利用该模型提出一种关键质量指标(KQI)权重计算方法,应用模糊层次分析法计算KQI指标初始权重值,并通过影响QoE的非技术因素动态改变KQI指标的权重,使静态QoE评估过程动态化、实时化。仿真实验结果表明,该方法能保证最先假定的技术因素和非技术因素对QoE的影响程度各占50%,较为直观和真实地反映用户感受。     

面向调控网络参数学习的无迹粒子滤波算法

目前基于微分方程模型学习网络参数的工作普遍基于卡尔曼滤波器,对所分析系统有线性假设前提,而基因调控网络具有强非线性,因此需要更适用于非线性模型的方法。提出了一种基于无迹粒子滤波器学习基因调控网络参数的方法,由于粒子滤波方法不受模型线性假设的约束,因此能够对非线性系统进行更好的拟合。通过对Repressillar模型中隐变量与未知参数的估计并与无迹卡尔曼滤波器所获结果的比较,提出的算法有效减少了估计误差。并对粒子数目对结果的影响进行了分析。相较于卡尔曼滤波器,无迹粒子滤波方法对于调控网络参数学习精度更高。粒子数目太少或太多都会减弱估计精度,因此选择适当的粒子数目非常重要。     

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法.相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法.并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优.利用矿井无线传感器网络检测到的各项历史数据试验.结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持.     

基于过完备字典的体域网压缩感知心电重构

针对体域网远程监护中心对重构的心电信号（Electrocardiogram,ECG）精度要求高和体域网（Body sensor network,BSN）低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法. 该方法利用压缩感知理论,在传感节点端利用随机二进制矩阵对心电信号进行观测,观测值被传送至远程监护中心后,再利用基于K-SVD算法训练得到的过完备字典和块稀疏贝叶斯学习重构算法对心电信号进行重构. 仿真结果表明,当心电信号压缩率在70%～95%时,基于K-SVD过完备字典比基于离散余弦变换基的压缩感知心电重构信噪比高出5～22dB. 该方法具有信号重构精度高、功耗低和易于硬件实现的优点.     

融合时空感知GRU和注意力的下一个地点推荐

针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。     

基于K-Modes聚类的自适应话题追踪技术

传统自适应话题追踪用向量空间模型表示一个话题模型,通常会对话题模型更新带来错误的反馈。针对传统自适应话题追踪中话题模型的不足,提出基于K-Modes聚类的自适应话题追踪方法（K-MATT方法）,用话题类中心代替话题模型,把命名实体向量空间模型作为话题类中心,在追踪过程中不断迭代更新话题类中心,直到话题类中心稳定。实验证明K-MATT方法是有效的。     

基于聚类的图像检索

如何构建有效的组织和索引、提高图像检索速度是基于内容的图像检索所需解决的关键问题之一。论文采用了一种基于改进的模糊C均值算法的聚类索引。实验表明:该方法应用于图像检索,在准确性和实时性方面均能达到较好的效果,并优于已有的模糊C均值聚类算法。另外,系统实现了基于多特征结合的方法进行检索,并利用基于相关反馈的权重调整方法进一步提高检索性能,使检索结果更加符合用户的视觉效果。