蛋白质相互作用网络的几种聚类方法综述

蛋白质相互作用网络是后基因组时代系统生物学研究的重要内容.针对蛋白质相互作用网络中的聚类问题,介绍了几种代表性的聚类分析方法,初步分析了这些方法的特点,指出了当前研究工作的困难与挑战,并对今后的研究方向作了展望.     

控制性能评价与监控理论的研究进展

自Harris(1989)提出最小方差控制基准以来,控制性能评价与监控技术受到了极大的关注,并取得了大量的成果.学者们在最小方差基准的基础上提出了广义最小方差基准、用户定义基准、基于模型的基准等多种评价方法,并由最初的单输入单输出系统推广到了多输入多输出系统、时变系统等.仔细回顾了控制性能评价与监控理论的发展历程,并指出该领域面临的主要问题以及未来的发展方向.     

基于蚁群算法的被动目标定位算法

通过对蚁群算法的研究,用蚁群算法成功解决了无源测向定位中消除虚假点,对真实交点进行正确聚类的难题.并通过Matlab 仿真实验证明了该算法的有效性.同时该算法具有目标关联确率高、计算速度快、鲁棒性强等优点.     

变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题,提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点,提出基于时间段的空战态势分类方法,将敌我双方态势划分为四类。在变分自编码器的基础上,提出了VAE-WRBM-MDN特征提取模型,即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度,使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类,并结合态势函数和实际战场情况修正聚类结果,形成正确的态势分类标准。在实验部分,分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明,模型态势分类正确率和运行时间均满足应用需求,实例评估结果与客观态势一致性强,所提方法具有实际应用价值。     

遥感数据用户需求融合处理技术

遥感数据是国家的基础性和战略性资源,在经济建设、国防建设、抢险救灾、生态环境保护等方面得到了广泛的应用,发挥着越来越重要的作用,各行各业对遥感数据的需求也越来越多。因此,如何提高对地观测资源的利用率,提高服务响应速度成为迫切需要解决的问题。采用自然语言处理技术,提出了一种用户需求融合处理方法,该方法可以有效地融合归并相同或者相似的用户需求,实现一图多用,引入需求预测和需求融合技术以提高需求融合效率,从而提高对地观测资源的利用率,达到事半功倍的效果。     

采用区分性幅相联合字典学习的低截获概率信号分离方法

为解决采用字典学习的信号分离方法存在的相位信息缺失和子字典交叉表示问题,提出一种区分性幅相联合字典学习方法。该方法针对相位信息缺失问题,构建了幅相联合字典模型;针对混合信号在联合字典上投影时存在的交叉表示问题,基于区分性字典学习思想提出在字典学习过程目标函数中加入交叉表示抑制项。仿真结果表明：幅相联合字典能够充分表示典型低截获概率信号的幅相信息,交叉表示抑制项能有效抑制信号间的交叉表示,算法具有良好的分离性能。     

基于粒子群优化的稀疏序列Bayes反卷积方法研究

在地下目标低频声波探测中,由于探测信号的混叠,难以判读反射目标的空间位置.应用信号处理方法求解时,目标信号是稀疏序列,求解方程是病态的.运用Bayes反卷积方法修正其病态性,并采用优化的粒子群算法求解,提高了系统的探测分辨率,同时降低了计算量.实际应用表明,该方法是有效的.     

基于改进自适应遗传算法的阵列优化

提出了一种改进的自适应遗传算法,对约束了阵列孔径、阵元数目和最小阵元间距的非均匀稀布阵列进行优化布阵。该算法采用实值编码,改进了适应度函数,避免了不可行解的产生。同时选取新的选择算子和改进的双重最佳保留策略,对传统自适应遗传算法的交叉、变异概率进行了动态改进。仿真结果表明,该方法能较好地抑制"早熟",增加了获取全局最优解的概率,获得了更低的峰值旁瓣电平。     

基于聚类分析的入侵检测算法?

聚类技术在入侵检测中被广泛研究,但是传统的K?means算法对初始值敏感,无法取得理想的效果;层次聚类算法时间复杂度高,性能较差。针对这些问题,设计了一种改进的K?means算法：算法优化孤立点和噪声处理能力,根据有效性指标获得最优K值,在此基础上,动态选取初始聚类中心进行聚类,可以取得较好的聚类效果。采用数据集KDD Cup99将改进的算法应用于入侵检测,进行仿真实验。实验结果表明,改进的算法有效地提高了检测率和降低了误检率,与现有算法相比具有一定的优势。     

基于候选聚类的K调和均值算法(KHM-CC)

聚类分析是常见的数据分析技术。基于KHM的聚类分析是当前研究的热点。提出了基于候选聚类的KHM算法(KHM-CC),详细阐述了算法的设计过程。采用UCI的小样本(iris)数据集和大样本(Bag of Words)数据集对比了KHM-CC算法和禁忌搜索KHM算法(KHM-TS)和变邻域搜索KHM算法(KHM-VNS)的性能。实验结果表明,KHM-CC算法在处理iris数据集小样本数据集时,其性能和KHM-VNS算法基本接近,而优于KHM-TS算法。但是在处理Bag of Words大样本数据集时,性能优于KHM-VNS和KHM-TS算法,其聚类计算耗时明显缩短,证实KHM-CC算法在高维度数据集的处理上更具优势。