基于关键字树的DNA多序列星比对算法

 在构建进化树、比较单体型序列等生物信息学研究中,需要比对多个相似程度很高的DNA序列.对于数量多、序列长的多序列比对问题,通常使用时间复杂度较低的星比对算法.然而在处理大规模数据时,星比对的平方时间复杂度依然不能满足需要.因此,在星比对思想的基础上,本文结合关键字树理论,先找出完全匹配的区域,然后比对剩余区域,以达到降低期望时间复杂度的目的.两组实验证明了本文算法的有效性,在取得相同比对效果的情况下,本文算法运行时间小于其他方法.     

基于计算机系统平台上的动态时间规整算法在基因比对中的应用

信息技术在各个领域的广泛应用也促使生物科学技术的变革,利用计算机系统平台解决基因表达数据时间序列的相似查询有多种方法,本文介绍了一个最常用的算法——在动态时间规整算法基础上进行优化的多分段动态时间规整算法,本文主要研究使用多分段的动态时间规整算法对酵母的基因表达数据进行序列比对,主要从计算速度,时间复杂度,比对精度等方面进行了实验分析。     

双序列比对算法的研究与改进

随着生物信息学的飞速发展,生物数据海量激增,序列比对作为生物学的计算核心,在其精确性和敏捷性方面都提出了更高的要求。在研究传统序列比对算法的基础上,本文提出一种改进的基于动态规划的全局双序列比对算法,有效降低了时间复杂度和空间复杂度。     

基于蚁群算法与中心比对算法的多序列比对研究

多序列比对问题是生物信息学中一个非常重要且具挑战性的课题.为了克服以往算法应用于多序列比对时所遇到的比对序列数受限制以及比对寻优速度慢的缺点,提出一种基于蚁群算法与中心比对算法相结合的新求解算法,给出了具体的算法设计.该算法充分发挥了蚁群算法和中心比对算法的优越性,可提高求解MSA问题的计算精度和计算速度,同时较好地解决了群体的多样性和收敛深度的矛盾.     

基于CUDA平台的数据库序列比对算法加速

在生物信息学中,数据库序列比对是极为常用的操作,Smith-Waterman算法是最流行的序列比对算法,精确度高,但是计算复杂度高,在进行大量的序列比对非常耗时。另外,生物技术的发展使得已知的序列数据库变得越来越庞大,这导致进行数据库序列比对所消耗的时间也越来越长,因而有必要加速数据库序列比对算法。NVIDIA提出了CUDA编程架构,相比之前的GPGPU具有更好的可编程性,用户可以更轻松地发掘出GPU强大的计算能力。在CUDA平台上实现了Smith-Waterman的数据库序列比对算法的并行加速,速度优于已有的基于GPU的实现,超过了基于启发式算法的BLAST算法执行速度。     

基于图形化的K线序列相似度研究

以往K线相似度比较一般都是基于时间序列化的数据比对,主要依据数据库存储的历史数据序列,而这一研究是针对图形化的A股K线序列进行比对。首先,提出了4种图形化K线相似度比较方法,分别是逐点比较、形态比较、SIFT相似度比较和综合相似度比较。然后,通过Python编程使用不同的比对方法对样本进行相似度计算。最后,分析比较计算结果,其中将SIFT相似度比较数据与每日K线形态比较数据分配不同的权重综合考量得出的综合相似度比较方法取得了较好的比对效果,实验结果表明,在相似度前三名判断中该算法与观察者主观判断得出的结论一致。     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

多序列比对算法综述

在生物信息学中，如何对多组基因序列进行有效且快速的比对一直都是热门课题之一，也是至今仍未解决的NP难题之一。本文详细介绍序列比对的背景与意义，并针对几种常用的多序列比对算法进行比较，并提出了多序列比对算法研究的方向。     

基于序列比对的多功能雷达搜索规律识别方法

对多功能雷达信号规律的识别是电子侦察领域的难点问题之一,本文将多功能雷达搜索方式下的工作规律表示为一个任务序列,提出了一种基于序列比对的识别方法.该方法引入了生物信息学领域的生物序列分析技术,通过将两次不同观测时间段的信号进行比对,提取其中的相似部分来达到识别多功能雷达搜索规律的目的.仿真结果证明了该方法的有效性.     

一种基于等价字符的不完整时间序列相似度算法

针对几种典型相似度算法在求解不完整时间序列相似度问题上准确率低、适应性差的问题,利用差分变换、量化处理、符号化处理、等价字符变换方法并借鉴最长公共子序列、贪婪字符串匹配算法优点,提出了一种适用于不完整时间序列的相似度求解算法。针对等长脉冲缺失时间序列,该算法的相似度结果经加权平均处理,准确率比典型算法提高了10%以上;而对于更具一般性的非等长脉冲缺失时间序列,相似度结果准确率也有明显提高。实验结果表明该算法对不完整时间序列具有较好的数据关联效果,在真实数据环境下具有较强的鲁棒性。     

基于Q学习的生物序列比对方法

将寻求两条生物序列最优比对的过程视为Agent自主学习寻找最优策略的过程。用状态集合表示序列中的碱基和为了获得最佳排列插入序列的空格,为Agent每一次行动打分作为立即收益,合计每一种策略的所有立即收益作为该策略的预期收益,获得最大预期收益的策略就是最优策略,与之对应的Agent遍历的状态集合就是最佳排列。给出了时间复杂度和空间复杂度的公式证明,通过实验证明该方法有效地降低了时间复杂度和空间复杂度（O（kh））。     

基于弧度距离的时间序列相似度量

时间序列的近似表示和相似度量是时间序列数据挖掘的重要任务之一,是进行相似匹配的关键。该文针对现有的各种基于分段线性表示(Piecewise Linear Representation,PLR)相似度量方法存在的序列长度依赖和多分辨率条件下的潜在识别误差等缺点,提出了一种序列分段线性弧度表示和基于弧度距离的相似度量方法,实现了序列的快速在线分割和相似度计算。该方法简洁直观,利用分段弧度对分段趋势进行细粒度划分来保留序列主要形态特征,有效地提高了度量结果的准确性和多分辨率条件下的稳定性。该方法具有序列分割算法独立性特点,可用于时间序列的相似查询、模式匹配、分类和聚类。     

一种基于GIoay互补序列的MIMO-OFDM系统同步方案

提出利用Gloay互补序列构造一种特殊的训练序列进行MIMO-OFDM系统同步的方案，详细介绍了同步算法。并给出瑞利衰落条件下单径和多径的仿真结果。结果表明。这种同步方案算法复杂度低，具有较高的精度和较大的实用价值。     

基于四维混沌系统的OFDM同步算法

针对传统同步算法计算复杂度高,符号同步和载波同步精度低,保密性差等缺点,提出一种基于四维混沌系统的OFDM同步算法.首先通过分析该四维系统的动力学特性、对初始值的敏感性和计算Lyapunov指数等方式,证明该系统是一个新混沌系统,并分析生成的混沌序列相关性质.然后将混沌序列用于构造一个L等分的同步训练序列,基于该同步训练序列提出一种新的OFDM系统符号同步和载波同步方法.理论分析和仿真结果表明新算法计算复杂度低,符号同步和载波同步精度高,增强了系统保密性.     

一种基于Gloay互补序列的MIMO-OFDM系统同步方案

提出利用Gloay互补序列构造一种特殊的训练序列进行MIMO-OFDM系统同步的方案,详细介绍了同步算法,并给出瑞利衰落条件下单径和多径的仿真结果。结果表明,这种同步方案算法复杂度低,具有较高的精度和较大的实用价值。     

基于自适应免疫遗传算法的多序列比对

针对多序列比对问题提出一种基于自适应免疫遗传算法的多序列比对方法。为了保持群体中个体的多样性，以及加快算法的收敛速度，该算法中交叉概率和变异概率根据群体的多样性自适应调整，并且在选择免疫算子时采用择优策略，将免疫算子引入到自适应遗传算法中，通过对个体接种疫苗来进一步提升个体的存活能力。     

多中继协同通信系统中基于循环正交训练序列的信道估计算法

提出了一种实用的基于循环正交序列的信道估计算法。源节点发送循环正交的信道训练序列,各个中继节点对接收到的信道训练序列进行不同间隔的循环移位后向目的节点转发。尽管各个中继转发的序列在时间上是叠加的,但序列之间不存在相关性。由此可以推导出相应的最小二乘信道估计和线性最小均方误差信道估计。仿真结果证明该算法具有较高的估计精度和效率,同时运算复杂度较低。     

基于局部近邻传播及用户特征的社区识别算法

提出一种将局部近邻传播和考虑用户特征的相似性测度相结合实现社交网络中的社区识别的算法。一方面,通过放松代表点约束条件及限制消息传播范围为节点的局部近邻,算法在降低时间和空间复杂度的同时保持较小的识别精度损失,从而能够适应社交网络挖掘需要;另一方面,通过将节点的拓扑相似度和特征相似度相结合来描述节点的综合相似度,使算法能够适应社交网络采样数据中用户关联信息不完整的情况。通过在人工数据集和真实数据集上的对比实验表明,所提方法不仅具有近似线性的时间复杂度及线性的空间复杂度,而且在网络中的节点关联边信息不完整时仍保持较好的识别精度。     

剪接比对软件sim4的并行化研究与实现

随着人类基因组测序的完成，将序列比对到基因组序列之上成为研究序列功能结构的一种重要方法。sim4程序是目前比较流行的序列剪接比对工具之一。但在全基因组范围内进行比对时程序花费时间较长．文章讨论了不同的并行化方案并对sim4程序进行了优化及并行化，实验测试证明该方法可获得较好的运行性能。     

集值信息系统在β相似度下的属性约简

针对粗糙集中集值信息系统包含大量数据的问题,本文在以往研究的基础上提出了一种基于β相似度的属性约简方法。在变精度关系的情况下,将β用于约束对象间的相似度,根据β的变化调节类划分的粒度和差别矩阵的复杂度,进而更好地进行属性约简,使提取出的数据更精练更有益于数据分析处理。通过实例证明了算法的有效性、可行性,并从理论层次进行分析、验证,最终证明了算法的正确性。从时间复杂度空间复杂度上都验证了算法的高效性。