关键词： 可转债估价   机器学习方法   随机森林  

摘要： 本文首先通过基于股价的单因素模型对当前在市场流通的全部13只可转债进行了实证分析,发现根据此模型计算出的理论价值普遍高于市场价格,这也与很多前人的研究结论相符。这说明所用定价模型并不完全适应于我国的可转债市场,我国的可转债市场机制与假定条件并不与国外完全相符。运用此单因素模型计算可转债的定价存在很明显的误差。接着,基于此模型不可避免的缺陷,本文尝试转换思路,跳出公式模型的禁锢,从机器学习的角度,开展可转债估价问题探索。通过机器学习方法对无法做任何假定的错综复杂的可转债价格影响因素进行分析,所选影响因素几乎涵盖所有方面。通过几种常用的机器学习方法作比较,得出结论为:对于可转债价格估价,运用随机森林的方法最好,五折交叉验证的训练集NMSE低至0.009,测试集NMSE也低至0.046。进一步选择随机森林模型对13只可转债进行价格估计,估价效果明显优于基于股价的单因素模型。这种拟合与预测效果可能比任何一种基于公式模型计算出的可转债估价都要理想。因此,在实际可转债估价运用中,可以运用随机森林回归方法得到相应模型,对新的数据进行预测来得到可转债的估价。

关键词： 重组热点冷点   DNaseⅠ高敏位点   深度稀疏自编码   交叉验证   主成分分析  

摘要： 随着生物技术的不断发展,尤其是人类基因组计划实施以来,通过高通量基因的测序手段得到了大量生物信息数据,如何解读和挖掘这些序列信息显得日益迫切,探索出基于机器学习方法对DNA序列的性质、属性以及功能进行分析的模型是至关重要的。本文主要研究人类基因重组位点及DNase I高敏位点(DHSs)的预测问题,工作包括以下几个方面:1)介绍了几种常用的特征提取方法,概述了近年来机器学习方法在DNA功能位点预测的研究进展,归纳了几种常用的机器学习方法,如支持向量机、随机森林、深度稀疏自编码器、隐马尔科夫模型分类法、贝叶斯分类算法等,并对分类算法的评价指标进行了系统分析。2)对人类基因序列的减数重组冷热点进行了分析和预测。基因重组对于生命过程有着重要意义,它能够交换遗传信息,促进生命的进化。本文利用三核苷酸密码子编译氨基酸来表达DNA序列全局性的顺序信息,并基于氨基酸的物理化学属性,结合二联核苷酸成分和伪氨基酸成分将DNA序列转化为DNA离散化模型,再采用SVM建立预测器,用jackknife交叉验证方法证明建立的预测器的效果比现存预测器都有较大提高。为了提高其实际应用价值,也为了方便绝大多数实验学者,我们创建了在线预测网站。3)对DNase I高敏位点进行了分析和预测。DHSs是DNA调控元件的显著标记,大多碱基修饰和调控活动都离不开DHSs富集的调控元件参与。因此分析和定位全基因组DHSs,对于分析基因的转录调控功能有着重要的意义。本文首先通过核苷酸频率分析探讨DHSs与碱基的联系。接着,分别用基于自协方差函数与互协方差函数、主成分分析法(PCA)及基于三联核苷酸的物理化学属性三种不同方法提取DNA序列特征构建分类模型,通过交叉验证测试方法证明了方法的有效性。4)最后,对本文的研究工作进行总结,并对今后的研究工作进行了展望,包括特征提取方法和分类算法的完善与改进、DNA的结构信息的提取、DNA其他功能问题的进一步分析与探讨等。

关键词： Leg -- Physiology   Machine learning   Polysomnography   Electromyography   Random forest (Algorithms)   Logistic regression analysis   K-nearest neighbor classification  

摘要： The number of channels used for polysomnographic recording frequently causes difficulties for patients because of the many cables connected. Also, it increases the risk of having troubles during recording process and increases the storage volume. In this study, it is intended to detect periodic leg movement (PLM) in sleep with the use of the channels except leg electromyography (EMG) by analysing polysomnography (PSG) data with digital signal processing (DSP) and machine learning methods. PSG records of 153 patients of different ages and genders with PLM disorder diagnosis were examined retrospectively. A novel software was developed for the analysis of PSG records. The software utilizes the machine learning algorithms, statistical methods, and DSP methods. In order to classify PLM, popular machine learning methods (multilayer perceptron, K-nearest neighbour, and random forests) and logistic regression were used. Comparison of classified results showed that while K-nearest neighbour classification algorithm had higher average classification rate (91.87%) and lower average classification error value (RMSE = 0.2850), multilayer perceptron algorithm had the lowest average classification rate (83.29%) and the highest average classification error value (RMSE = 0.3705). Results showed that PLM can be classified with high accuracy (91.87%) without leg EMG record being present.

关键词： 蛋白质   质谱技术   保留时间   母离子  

摘要： 随着质谱技术的发展，高分辨率、高精度的质谱数据的获取大大提升了蛋白质鉴定和定量的效果。使用“鸟枪法”和数据库搜索方法鉴定蛋白质时，可以利用肽段在色谱中的保留时间预测结果提高鉴定结果的灵敏度或可靠性，同时，肽段母离子的检测直接影响鉴定或定量的结果，非常基础且重要。　　对于第一个问题，现有的保留时间预测模型大部分用于处理常规肽段，且只能支持特定色谱条件下的保留时间预测，当肽段上发生修饰或者色谱条件发生变化时，使用模型的原有参数会造成预测不准。现在能处理带有修饰的肽段的模型和能适应不同色谱条件的模型较少。　　本文设计了基于支持向量回归方法的保留时间预测模型，核心思想是根据肽段的理化性质提取多维特征并输入支持向量回归模型，实现预测。本文的预测模型可以应用于不同色谱条件下发生修饰的肽段。在一组公开数据集上，与目前已知具有最好性能的软件Elude2.0对比，本文的预测模型和Elude2.0分别使预测保留时间和实际保留时间的判定系数达到0.950到0.960之间和0.944到0.958之间，并使95％的肽段的预测保留时间和实验保留时间之间的差值分别落在色谱实验总时间的8.0％到11.2％和8.1％到13.8％之间。本文预测模型的速度约为Elude2.0的32到47倍。　　对于第二个问题，目前的母离子检测算法中支持共洗脱母离子检测的算法较少，且没有专门处理有同位素标记的数据的算法。与常规数据相比，有同位素标记（如13C标记）的数据中母离子的同位素峰簇形状发生改变，单同位素峰在同位素峰簇中的相对位置也随之发生变化，现有软件没有做出相应调整，就会造成同位素峰的误判。　　本文在现有的母离子检测软件pParse2.0的基础上，增加了对多种标记数据的处理模块，优化并完善了前人研究pParse2.0时建立的三种标注集，改进了基于多元自适应回归样条训练模型的方法，开发了功能更加全面的母离子检测软件pParse2.5。本文建立的三种标注集可以分别评测母离子检测算法对无质量偏移的母离子、发生质量偏移的母离子和共洗脱母离子的召回率。与pParse2.0对比，pParse2.5使15N标记数据中母离子在各标注集上的召回率提高了4％到80％，使13C标记数据中母离子在各标注集上的召回率提高了10到56倍。对于无标记数据，pParse2.5使共洗脱母离子的召回率提高了约13％到28％。最后，由于pParse2.5中采用了母离子单同位素峰的信息，而当母离子质量超过8k Da时，单同位素峰在一级谱图上的信号弱到可以忽略，算法不再适用。对于这种情况，本文采用了母离子最高峰的信息，使用数据库统计的方法计算多标记数据的理论同位素峰簇分布，建立最高峰与理论同位素峰簇分布、单同位素峰与最高峰之间的间隔的索引等，开发了母离子检测软件pParse3.0，未来有望促成肽段母离子和蛋白质母离子检测问题的统一处理。

关键词： 不平衡数据   欠抽样   集成学习   代价敏感   决策树  

摘要： 现实世界中广泛存在不平衡数据,其分类问题是数据挖掘领域的一个研究热点。传统的分类算法以整体预测精度为训练目标,导致多数类预测精度高,少数类预测精度差。而在手机换机预测这一实际应用中,少数类样本即换机用户的分类正确率更为重要,因此如何改善类间样本的不平衡,增加少数类的识别率,同时兼顾多数类的准确度,是亟需解决的一个问题。目前在不平衡数据分类问题上有两种常用的处理方法。一种是算法层面,通过设计新算法或改进原有分类算法使其对不平衡数据有效。另一种是数据层面,通过改变训练集的样本分布来消除或减弱数据的不平衡程度。本文针对不平衡数据分类问题,以手机换机预测为应用背景,在算法层面和数据层面做了如下工作:1.在算法层面,提出一种分级式代价敏感决策树算法。首先利用粗糙集对原始数据进行属性约简并计算各属性重要度,然后根据属性重要度和专家经验知识对属性分块建立分级结构,最后以基尼系数和误分代价为分裂标准构建代价敏感决策树,作为每一级的基分类器,形成分级式代价敏感决策树模型。实验结果表明,该算法既可以直接对原始数据集进行处理,保证了信息的完整性,又能有效处理欠抽样后平衡的数据集,有效缩小了问题的求解规模,且此算法在一定的不平衡度内具有较好的稳定性。2.在数据层面,提出一种基于样本权重的欠抽样方法,该方法引入了样本权重来反映样本所处的区域,首先根据各类样本的数量初始化各样本权重,并通过多次聚类对各个样本的权重进行修改,权重小的多数类样本即处于多数类的中心区域;然后按权重大小对多数类样本进行欠抽样,使位于中心区域的样本较容易被抽中,并与所有少数类样本组成Bagging成员分类器的训练数据,得到若干个决策树子分类器;最后根据各子分类器的正确率进行加权投票生成预测模型。实验结果表明,该方法充分利用了少数类和多数类的分布信息,抽样所得样本较好地保持了多数类信息,同时有效缩小了数据集规模,提高了分类器的分类性能。

关键词： 数据挖掘   热带气旋路径   热带气旋频数   有限混合模型算法   CART算法   C4.5算法  

摘要： 热带气旋(TC)的路径很大程度上决定了TC的影响区域及TC的影响范围。TC频数的高低直接影响到国家沿海经济带的经济建设、社会的发展以及人民群众的生命财产安全。而TC的活动是一种非常复杂的自然现象,因此对于TC活动规律的研究一直都是气象学界的热点问题之一。基于TC路径数据集及气候信号数据集的挖掘,不仅能发现TC频数与人们已知气候信号之间的关系,更重要的是为人类的生活生产,国家社会的建设提供更为有利的保障和支持。本文将利用数据挖掘技术对历史上登陆中国的TC路径进行分类,并基于诸多人们已知的气候信号利用分类与预测算法中的两种决策树算法对每一类路径的TC频数进行了分类与预测并产生了科学、简单、直观的分类规则集,更好地揭示各类路径的TC频数与人们已知气候信号之间的关系,也为预测TC频数提供了新思路。具体而言,本文从以下三个方面进行了探索和研究：1.本文深入地了解了目前热带气旋研究领域的热点和难点,从数据挖掘的角度出发,设计了登陆中国TC路径分类模型以及各类路径TC频数的分类与预测模型。通过对数据挖掘中聚类算法以及分类与预测算法知识的深入学习,选取了适合TC路径分类问题的算法即FMM算法进行模型的建立；以及适合TC频数分类与预测的两种决策树算法：CART算法和C4.5算法,利用这两种算法分别对各类路径的TC频数进行模型的构建以及验证。发挥了气象学,数据挖掘,计算机科学交叉学科的优势。2.本文利用聚类算法对登陆中国的TC路径进行了相对客观的划分。通过对K-means算法以及FMM算法两类常被学者们用来划分TC路径的聚类算法原理的学习研究和对比,本文认为FMM算法对于TC路径的分类更加的科学,。基于经验观察法,将历史上登陆中国的TC路径分为三类,并对每一类路径夏秋季和夏季的频数和生命史等特征进行了分析,发现了每一类登陆中国的TC生命史分布都各有特点。但是各类TC频数年际变化复杂,难以直观发现规律。3.为了解决上述问题,本文尝试利用CART算法和C4.5算法通过多种夏季的气候信号数据对夏季各类路径TC频数是否偏多分别进行了分类与预测,取得了较好的分类与预测效果,并且生成了简单易懂,科学有效的规则集,方便人们直观获取TC频数与气候信号之间的规律。以上工作不仅丰富了热带气旋领域的研究,也为数据挖掘和气象领域的科研问题结合提供了新思路。

关键词： AI   decision support   review   urban water system  

摘要： With sustainable development as their overarching goal, Urban Water System (UWS) managers need to take into account all social, economic, technical and environmental facets related to their decisions. Decision support systems (DSS) have been used widely for handling such complexity in water treatment, having a high level of popularity as academic exercises, although little validation and few full-scale implementations reported in practice. The objective of this paper is to review the application of artificial intelligence methods (mainly machine learning) to UWS and to investigate the integration of these methods into DSS. The results of the review suggest that artificial neural networks is the most popular method in the water and wastewater sectors followed by clustering. Bayesian networks and swarm intelligence/optimization have shown a spectacular increase in the water sector in the last 10 years, being the latest techniques to be incorporated but overtaking case-based reasoning. Whereas artificial intelligence applications to the water sector focus on modelling, optimization or data mining for knowledge generation, their encapsulation into functional DSS is not fully explored. Few academic applications have made it into decision making practice. We believe that the reason behind this misuse is not related to the methods themselves but rather to the disassociation between the fields of water and computer engineering, the limited practical experience of academics, and the great complexity inherently present.

关键词： 核融合   遗传算法   核偏最小二乘   非线性预测   数量性状预测  

摘要： 目的:随着生物技术的进步,我们可以很容易地获取大量的基因组数据。基于大量基因组数据的预测和分类为疾病的早期筛检提供了一种代价小且效率高的方法。然而,基因和某个性状之间的关系可能是非常复杂的,从基因到一个复杂性状的转化,不是多个独立基因的简单作用,而是涉及到很多基因之间复杂的交互作用,也就是说,这种转化可以被看做是一个非线性映射问题。这些复杂的关系可能是由多种效应产生的,比如,一个基因的自我调控或者基因之间的协作和竞争。由于这种复杂关系的存在,发展一个能够捕捉这种非线性关系的功能强大而且高效的统计模型就显的十分必要了。在我们的研究中,我们着眼于发展一个基于核偏最小二乘法的模型,该模型期望拥有更好的学习能力和泛化能力,并能够整合多个组学数据源,获得更好的预测或分类效果。方法:我们首先建立一个经典的核偏最小二乘模型,然后通过一个多个核函数的凸组合计算出一个新的复合核函数,最后我们用新的复合核函数代替之前经典核偏最小二乘模型中的核函数以生成改进的核偏最小二乘模型。在改进的核偏最小二乘模型中的所有参数均通过遗传算法进行优化。通过构建适合的复合核函数,我们的方法能够解决并改善单个基因组数据源以及多个基因组数据源的预测和分类问题。我们提出的基于遗传算法的复合核偏最小二乘模型的性能将通过相应的模拟研究和真实数据研究来展示。结果:大量的模拟研究和真实数据研究表明我们提出的基于遗传算法的复合核偏最小二乘模型在使用一个基因组数据源进行数量性状预测时,能够给出最大的21FQ和最小的RMSEP;当使用基于三个基因组数据源(即micro RNA,m RNA和拷贝数变异)的核偏最小二乘核融合模型对两种乳腺癌病人(三阴性和非三阴性)进行分类时,我们的核融合模型获得了最大约登指数、最小分类错误率和马修斯相关系数(MCC)。结论:我们提出了一个基于核偏最小二乘预测框架的复合核方法,该复合核具有好的学习能力和泛化能力;我们提出了一个基于核偏最小二乘分类框架的复合核方法,该复合核能够有效地融合多个基因组以及其它组学数据源,从而获得改进的性能;遗传算法能够很好地解决核参数和核权重的优化问题。

关键词： 随机决策树   结点   算法   奇点   随机树   特征集   个数  

摘要： 随机决策树[1](Random Decision Trees),是由Wei Fan等人提出的一种决策树构建方法,它的一大特点就是不需要任何特征选择。因其生成过程具有随机性,对集成学习准确性与差异性的研究提供了新的思路[2][3]。1随机决策树算法描述在整个构建过程中,任何一个结点的生成都是从特征集中随机选取的。对于离散特征来说,每个子树的生成都对应一个离散特征值,且不可以被重复选取。对于连续特征而言,可将其离散