基于K-mer-SVM的piRNA预测

采用支持向量机(SVM)结合K-mer分布特征预测piRNA.利用多种生物的非编码RNA序列数据库,从中挑选出piRNA序列作为正样本,并以由该数据库构建的非piRNA序列作为负样本,将正样本和负样本构成的数据随机取出50%作为训练集,将剩余的数据作为测试集;提取正样本和负样本序列的K-mer分布特征构建特征矩阵;用SVM对其进行分类,实现piRNA预测.结果表明K-mer-SVM在准确率、正例覆盖率、MCC和F测度等分类指标上均明显优于K-mer-LDA,说明K-merSVM是更好的piRNA预测算法.     

非等时距GM理论反演预测软基路堤沉降

应用灰色理论建模原理,建立了非等时距GM(1,1)法预测路堤沉降模型,通过对无规则的数据序列做等距处理,提出了内插法和样条曲线法变换非等时距序列理论。利用Matlab7.0平台开发了路堤沉降预测系统,然后对数据进行微分拟合,再将沉降曲线进行分析对比得到逼近最优沉降发展趋势,从而对软基路堤沉降进行较精确预测。     

基于混合策略的财务危机预警模型构建

针对财务危机预警研究中样本集的不平衡现象,提出了一种基于混合策略的模型构建方法。基本思想是结合数据层面的预处理和算法层面的集成学习,为财务危机预警提供有效的建模方案。首先使用SMOTE算法对财务危机公司重采样,有效避免了传统财务危机预警研究中样本配对挑选造成的信息严重丢失;再使用Bagging-C4.5算法对样本数据训练,在保证模型总预测率的基础上,大幅提高了财务危机样本的预测准确率。实验结果表明:该方法预测效果良好,在此领域有一定的实践意义。     

基于人工神经网络的管道运行费用预测

利用人工神经网络能够较好地模拟在各种不确定因素影响下的因果变量之间的内在关系。建立了基于人工神经网络的管道运行费用预测模型，该模型的网络结构由输入层(1个节点)、隐层(7个节点)和输出层(1个节点)组成。采用改进的BP算法对25组学习样本进行训练，得到各节点间的连接权和阈值，然后用优化好的网络进行给定输量的管道运行费用预测。预测结果表明，利用该方法建立的模型预测误差在4％以内，可以完全满足工程实际需要。     

基于贝叶斯分类的农作物产品质量挖掘研究

采用贝叶斯算法的基本原理,并结合农作物生长环境数据的特点,分析和预测了农作物的产品质量。采用随机选取的样本组进行试验预测,预测准确率高,表明该算法是有效的。     

基于贝叶斯分类的农作物产品质量挖掘研究

采用贝叶斯算法的基本原理,并结合农作物生长环境数据的特点,分析和预测了农作物的产品质量。采用随机选取的样本组进行试验预测,预测准确率高,表明该算法是有效的。     

基于支持向量机的DNA序列分类系统的设计与实现

针对传统统计方法进行DNA序列分类时要求DNA序列样本的概率分布函数已知，但多数情况下概率分布函数未知这一问题，采用支持向量机这一新的机器学习方法对DNA序列进行分类；以VB和Matlab为主要工具开发了基于支持向量机的DNA序列分类系统。结果表明：该系统能够动态选择DNA训练样本、待测试样本．以及支持向量机模型中的参数，并根据用户的指定条件动态输出计算结果；对于预测一批已知正确分类答案的DNA序列，系统能够自动统计识别率，以观察参数变化对于算法执行结果的影响。支持向量机能够在概率分布函数未知的条件下对DNA序列进行分类。     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率，弥补单子空间特征提取的局限性，提出了基于双子空间特征提取的变压器故障分层诊断模型.首先，将DGA测试样本在一个子空间内进行特征提取后，为避免核函数及其参数的选择难题，以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点，采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本，对易分类样本直接进行分类识别；对难分类样本则将该样本再次投影到另一子空间进行特征提取后，同样采用MKSVM作为分类器对难分类样本进行预测，综合两次预测结果进行分类识别，实现两分类MKSVM的双子空间特征提取算法.最后，根据故障特征，建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明，该模型具有较高的诊断正确率和推广能力.     

决策树在耕地地力等级评价中的应用

在介绍数据挖掘技术的基本概念、决策树方法的基础上,结合牡丹江市地力等级数据样本,采用决策树ID3分类算法建立了耕地地力等级决策树分级图。通过该分级图可以预测各地区耕地地力等级,为该领域的数据挖掘提供了合理的挖掘方式。     

泊松曲线在软土路基沉降预测中的应用研究

泊松曲线是一种精度较高的沉降预测方法,但是它只能在等时空距数据条件下才能使用,在工程实际中观测的数据很难满足这一要求。本研究采用最小二乘法与Lagrange二次插值法将非等时空距数据转化成等时空距数据,并以某高速公路试验段沉降观测数据为例,建立了沉降量泊松曲线预测模型,并与灰色模型、三点法、双曲线法的预测结果及实测结果进行了对比,结果表明,泊松曲线模型的预测沉降量与实际沉降量更接近。     

基于改进遗传算法的作物叶片病斑分割算法

基于改进遗传算法提出了一种作物病害叶片病斑图像分割算法。首先,将病害叶片图像运用分层抽样得到若干子样本。在每个子样本中运用改进遗传算法极大化样本的均值与方差比;其次,基于获得的样本信息对阈值数目和阈值进行自动预测;最后,利用一种确定性算法对阈值数和阈值进行进一步优化。结果表明,该算法无需考虑叶片图像的纹理和分割数等先验信息,具有较高的易用性,能获得较准确的叶片病斑图像。     

支持向量机模型在区域经济预测中的应用及评价

针对支持向量机方法所具有的拟合精度高、推广能力强、全局最优、针对小样本等特点,将支持向量机应用于对区域经济发展水平的预测中,建立了基于支持向量机的区域经济非线性预测模型。针对黑龙江省进行的经济发展模型预测及检验表明,该算法具有较高的精度和实用性。     

基于遗传神经网络的多层砖房震害预测研究

多层砖房在遭遇地震时破坏较为严重,会给人民的生命与财产造成巨大的损失。将神经网络与遗传算法相结合,建立遗传神经网络对多层砖房的震害进行了预测。样本的预测结果与实际结果一致,说明应用遗传神经网络算法对多层砖房的震害进行预测是可行。     

基于EMD和IDAR的灌区年降水量预测研究

针对降水量这样一种非线性、非平稳序列,研究经验模态分解方法(EMD)和信息扩散近似推理方法（IDAR）在年降水量预测中的组合应用,解决资料序列不充分情况下的区域降水量预测问题。首先,通过EMD方法对具有典型非线性与非平稳特征的年降水量时间序列进行处理,分解出包含原信号不同特征尺度的分量数据系列;然后应用信息扩散近似推理技术对各降水量分量间的复杂非线性关系进行描述,建立当前趋势以及相邻年份之间的预测规则,并进行预测。以文献案例灌区长系列降水资料为样本进行实例计算,并与其它预测方法进行了对比。结果表明：基于EMD和信息扩散近似推理的预测方法效果较好,误差绝对值和为1.30,优于人工神经网络、线性自回归方法以及单纯信息扩散近似推理的统计结果。同时,为了验证该方法的适用性,将该方法应用于文峪河灌区的降雨量预测,取得了满意的效果。研究中发现：信息扩散近似推理可将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可将矛盾模式转换成兼容模式。而EMD方法可有效分解具有非线性、非平稳特征的降水序列,保留其原序列在空间（或时间）各种尺度上的分布规律。两者结合对解决样本不完备的非平稳序列的预测问题是非常有价值的。通过与其它预测方法比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值。     

多种分类器在农用地分等中的应用及其用法改良

以广东省第二次土壤普查成果资料为主要数据源,选取贝叶斯决策、BP神经网络、概率神经网络、聚类等分类方法分别对数据源进行分类;并且,笔者为了充分利用有监督学习分类准确率高和无监督学习无需标定的学习样本的优点,提出了基于监督--非监督的聚类算法,然后对上述五种方法的评价结果作了比较分析;实验表明文章提出的基于监督--非监督聚类方法只利用少量的有标定学习样本,即可得到较高的分类准确率,特别在少量样本时,该方法能得到比贝叶斯决策方法、BP神经网络和概率神经网络等监督学习方法更好的土地评价结果;在实际应用中,可以尝试结合监督和非监督学习的方法,实现分类正确率和获取大量有类标签的样本之间的折中。     

基于决策树的农业气象灾害等级预测模型

在讨论数据挖掘技术的基本概念、决策树方法的基础上,结合牡丹江地区部分县区风雹灾害数据样本,采用决策树C4.5分类算法,建立了农业气象灾害等级决策树预测模型。通过该预测模型可预测各地直接经济损失程度,为该领域的数据挖掘提供了合理的挖掘模式,并得出了有效的分析结论。     

基于BP网络的微米长纤维异型车用模压制品性能预测

为实现对微米长纤维模压汽车构件的产品性能进行预测,建立了模压产品性能预测神经网络模型.根据对工艺和实验数据的分析及预测目标等条件,确定了模型的结构.通过对比不同学习算法的性能,选择LM算法为模型的学习算法.以实验数据为样本训练并测试所建模型.试验结果表明:所建预测模型具有较高的预测精度,基本满足产品性能预测的要求.     

基于灰色预测模型和线性内插法的溢油灾后生物修复降解率辅助决策模型研究

为研发溢油污染事故后续修复和渔业生产恢复辅助决策系统,采用灰色预测模型与线性内插法相结合的数学方法,构建溢油灾后生物修复降解率辅助决策模型并进行实证研究。结果表明:构建的模型预测精度为93.65%~97.53%,预测模型是可行的。研究表明,基于灰色预测模型与线性内插法相结合的建模方法有效地解决了溢油灾后生物修复模拟试验中局部数据序列非等时距的建模问题,能够满足建立生物修复降解率辅助决策模型的需要,能够对溢油灾后修复与渔业生产恢复进行中长期决策提供辅助支持。     

基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

基于粗糙熵的时序数据属性约简及规则提取研究

分析了近似质量在提取非确定性规则方面的不足，并基于粗糙熵的预测成功度概念，结合时序数据特点，提出一种属性约简及规则提取策略．该策略在对时序数据进行属性约简时，采用粗糙熵与时间距离相结合的方法，使得最终得到的约简在时序方面是较优的,最后使用UCI数据库进行仿真实验，效果良好．该策略在工程领域处理时序数据方面有一定的应用价值．