关键词： 数据挖掘   时间序列预测   入侵检测   神经网络技术  

摘要： 本文首先从数据挖掘算法入手, 探讨了分类与预测的处理模型，论述了神经网络技术在分类与预测方面的优势,通过比较选择了RBF网络并将其应用到混沌的非线性时间序列预测中。为了提高网络的推广能力，优化了滑动窗口长度。\n然后对KDD Cup 1999 Data进行分析。该数据是关于入侵检测方面的数据，由于数据量很大且具有高维特征，为此系统设计借鉴了数据挖掘流程SEMMA，同时将RBF神经网络和竞争学习网络结合了起来，分别就异常检测和误用检测进行了分析,在一定程度上弥补了现有入侵检测技术在有效性、适应性和可扩展性上的不足.\n最后对整个研究工作进行了总结,提出了进一步改进的几个方向.

关键词： 生物信息学   数据库   二硫键   半胱氨酸   二硫键形成状态预测   机器学习方法   统计关联   支持向量机   同义密码子用语   大肠杆菌   二硫键形成模式   蛋白质结构同源性  

摘要： 二硫键是由蛋白质的两个半胱氨酸之间配对形成的一种共价键,可以存在于同一条蛋白质多肽链内,也可以存在于不同的多肽链之间。对于许多蛋白质而言,二硫键是它们最终折叠产物的永久特征。二硫键的形成是蛋白质折叠过程中的重要步骤,其形成动力学影响蛋白质折叠的速率和途径,它的错误配对是影响蛋白质多肽链正确折叠的重要原因。二硫键的存在对于维持蛋白质空间结构稳定性,保持其生理活性具有至关重要的意义。 研究形成二硫键的蛋白质序列与结构特征,找出与二硫键形成有关联的某些结构信息,对于蛋白质工程和人工药物分子设计都有着积极而重要的意义。本论文以蛋白质二硫键作为研究对象,利用生物信息学这一新兴前沿交叉学科的研究方法和工具,综合运用数学,物理学,生物学和计算机科学知识,通过构建高精度高可靠性的蛋白质二硫键空间结构数据库和大肠杆菌蛋白质二硫键与对应基因序列关联数据库两类数据库,从二硫键蛋白质的基因序列、氨基酸序列和三维空间结构等三种水平上对蛋白质二硫键形成的结构特征和序列之间的关系进行较为系统和深入的研究。研究的主要内容如下: (1)高质量蛋白质二硫键空间结构数据库的构建是进行蛋白质二硫键统计计算分析的基础。按照分辨率小于0.25nm,且序列同一性(sequence identity)小于30%的原则从PISCESCulled PDB数据库中选取高精度高可靠性的蛋白质空间结构数据,在此基础上,挑选含有SSBOND记录的PDB结构数据,通过严格的结构数据文件形式错误检验、序列自洽性检验、SSBOND记录准确性检验以及SBOND成键记录校正,删除其中包含的错误和可疑数据,成功建立一个高质量的蛋白质二硫键空间结构数据库。研究蛋白质折叠与蛋白质编码序列关系问题离不开高质量蛋白质结构及其对应基因序列数据。通过查询SWISS-PROT数据库中E. coli的蛋白质,得到不同数据库中的蛋白质结构与基因序列的交叉索引表,在此基础上,删除大量冗余及不可靠数据,最后得到一个高精度大肠杆菌蛋白质结构与对应基因序列数据集-EcoPDB,这是研究蛋白质空间结构数据与核酸序列数据之间对应关系的基础数据库。 (2)研究蛋白质二硫键的形成特征和序列结构特征,对于进一步研究蛋白质二硫键的形成、与氨基酸序列之间的关系,预测半胱氨酸的二硫键形成状态以及蛋白质二硫键辅助折叠动力学具有重要作用。CYS的氧化还原状态表现出一种明显的协同性现象:蛋白质序列中若有二硫键形成,那么此序列中的所有CYS或者大部分CYS倾向于采取氧化状态;二硫键在蛋白质序列中的分布很不均匀,大部分二硫键都是在序列距离小于70个氨基酸的地方形成的,存在着二硫键形成的强烈偏好序列距离,如序列距离为11,6,16,5,13个氨基酸处;相对而言,二硫键更倾向于在氨基酸序列的前半段出现,这在蛋白质翻译过程中对于保证新生肽链顺利延伸合成和减少误折叠发生有着积极意义。比较氧化态CYS和还原态CYS周围的氨基酸分布情况,发现两者周围氨基酸分布有着比较明显的差异:前者周围

关键词： DATA mining   AUTHORS   SEMANTICS (Philosophy)   LANGUAGE & languages -- Study & teaching   DICTATION (Educational method)  

摘要： Earlier research has shown that established authors can be distinguished by measuring specific properties of their writings, their stylome as it were. Here, we examine writings of less experienced authors. We succeed in distinguishing between these authors with a very high probability, which implies that a stylome exists even in the general population. However, the number of traits needed for so successful a distinction is an order of magnitude larger than assumed so far. Furthermore, traits referring to syntactic patterns prove less distinctive than traits referring to vocabulary, but much more distinctive than expected on the basis of current generativist theories of language learning. © Taylor & Francis Group Ltd.

关键词： Learning systems  

摘要： We compare machine learning methods applied to a difficult real-world problem: predicting computer hard-drive failure using attributes monitored internally by individual drives. The problem is one of detecting rare events in a time series of noisy and nonparametrically-distributed data. We develop a new algorithm based on the multiple-instance learning framework and the naive Bayesian classifier (mi-NB) which is specifically designed for the low false-alarm case, and is shown to have promising performance. Other methods compared are support vector machines (SVMs), unsupervised clustering, and non-parametric statistical tests (rank-sum and reverse arrangements). The failure-prediction performance of the SVM, rank-sum and mi-NB algorithm is considerably better than the threshold method currently implemented in drives, while maintaining low false alarm rates. Our results suggest that nonparametric statistical tests should be considered for learning problems involving detecting rare events in time series data. An appendix details the calculation of rank-sum significance probabilities in the case of discrete, tied observations, and we give new recommendations about when the exact calculation should be used instead of the commonly-used normal approximation. These normal approximations may be particularly inaccurate for rare event problems like hard drive failures.

关键词： 命名实体识别   机器学习方法   最大熵   Boosting  

摘要： 命名实体识别是现在自然语言处理研究的热点[1][2][3][4]。命名实体识别就是在文本中识别出日期、时间、数字、人名、地名、组织机构名和其他实体[8]。命名实体是信息抽取的一个子任务,广泛地被运用到其他计算语言学任务中,比如机器翻译等。 在这篇论文中,我们把机器学习方法用于中文命名实体识别,这里我们使用了最大熵和Boosting两种机器学习的方法。与基于规则的命名实体识别方法相比,基于机器学习方法的命名实体识别系统构造简单,并具有良好的适应性。首先,我们只使用基本的特征建立一个基于字的模型和一个基于词的模型,比较了在这两种策略下的命名实体识别的效果。为了充分利用两种模型的优点,我们把分词信息解构到基于字的模型中,并且在这个模型中使用了一些复杂的语言学特征,实验结果表明,这个模型取得了很好的效果。以此同时,在同样的实验条件下,我们比较了两种方法在命名实体任务上的效果。实验表明,在同等条件下,最大熵的识别效果高于Boosting。 我们使用有限自动机的方法识别时间、日期和、数字实体。因此在机器学习的识别框架中,集中处理人名、地名、组织机构名三种类型的命名实体,减少机器学习算法的复杂度。最后利用文本的全局信息识别命名实体,以提高命名实体识别系统的性能。

摘要： Identification of interface residues involved in protein-protein and protein-DNA interactions is critical for understanding the functions of biological systems. Because identifying interface residues using experimental methods cannot catch up with the pace at which protein sequences are determined, computational methods that can identify interface residues are urgently needed. In this study, we apply machine-learning methods to identify interface residues with the focus on the methods using amino acid sequence information alone. We have developed classifiers for identification of the residues involved in protein-protein and protein-DNA interactions using a window of primary sequence as input. The classifiers were evaluated using both representative datasets and specific cases of interest based on multiple measurements. The results have shown the feasibility of identifying interface residues from sequence. We have also explored information besides primary sequence to improve the performance of sequence-based classifiers. The results show that the performance of sequence-based classifiers can be improved by using solvent accessibility and sequence entropy of the target residue as additional inputs. We have developed a database of protein-protein interfaces that consists of all the protein-protein interfaces derived from the Protein Data Bank. This database, for the first time, makes possible the quick and flexible retrieval of interface sets and various interface features. We have systematically analyzed the characteristics of interfaces using the largest dataset available. In particular, we compared interfaces with the samples that had the same solvent accessibility as the interfaces. This strategy excludes the effect of solvent accessibility on the distributions of residues, secondary structure, and sequence entropy.

关键词： 真核基因   蛋白质结构   亚细胞定位   窗宽模型  

摘要： 本文对基于机器学习方法的基因和蛋白预测进行了研究。 对真核基因剪接位点进行建模和预测，建立了供体位点和受体位点贝叶斯网络模型，并根据两种位点的生物学特性，对模型的拓扑结构和上下游节点的选择进行了优化。研究了蛋白质亚细胞定位的预测方法，并提出了一种名为LOCSVMPSI的真核蛋白质亚定位的预测方法。该方法基于支持向量机技术，并使用PSI-BLAST产生的profile中的位置特异性打分矩阵(position-specific scoringmatrix，PSSM)作为特征。使用支持向量回归技术对残基可溶性的真实值进行预测。对RS-126，Manesh-215和CB-513三个数据集进行了测试，通过比较不同的参数及窗宽模型来获得最佳结果，采用平均绝对误差、相关系数等参数来衡量预测效果，同时与多层反馈神经网络方法(RVP-Net)的实验结果比较，在3次交叉验证情况下三个数据集预测结果的平均绝对误差和相关系数参数均有提高。另外，该算法采用了多序列比对作为输入，效果比单序列有显著提高。

关键词： 医学图象分析   计算机辅助检测/诊断   机器学习   强化学习   核学习方法  

摘要： 本文对自动医学图象分析的计算机辅助检测问题进行了研究,提出利用机器学习技术实现计算机辅助检测的两种新方法,并基于所提出的方法构造了完整的检测系统,用于检测医学图象中存在的病变。针对数字X光乳腺图象,本文对所提出的两种方法和完整的检测系统进行了设计、验证和分析。 本文将计算机辅助检测的图象分析过程分为两个阶段考虑:对包括图象调整和图象分割步骤的第一阶段,本文提出了利用强化学习技术实现自适应图象分割的方法,可以根据输入图象的特征选择适当的处理算法并配置适当的参数,从而获得最优的分割结果。对包括特征提取和对象识别步骤的第二阶段,本文提出了利用多分辨率直方图特征表示以及核分类算法实现自动病变检测的方法,消除或限制了特征选择步骤,可以同时检测多种类型病变,而不必分别对各种病变进行检测。结合所提出的两种方法,本文构造了完整的检测系统,并通过适当的调整对系统性能进行优化。 实验结果表明:自适应图象分割方法对不同类型图象都可以达到很高的分割精度;自动病变检测方法对多种类型的病变同时进行检测也能够获得满意的检测性能;完整检测系统达到或超过了以前提出的针对单一类型病变检测系统的平均性能。

关键词： 数据挖掘   数据分类   偏最小二乘   神经网络   决策树  

摘要： 21世纪是知识经济的时代,面对数据爆炸而知识贫乏的现实,人们提出数据挖掘思想, 并将其广泛应用到数据库管理的各个领域。数据挖掘是一类深层次的数据分析方法,包括 关联分析、聚类分析、孤立点分析、概念描述和分类与预测等方法。分类是数据挖掘的一 个重要课题,是构造分类模型并应用于重要数据类的区分和趋势预测的过程的总称。 本文首先简要分析了数据挖掘以及分类算法研究的现状,从而提出一些改进的分类算 法。着重从数据预处理,神经网络和决策树三方面对分类算法进行研究和改进。 数据预处理是数据挖掘中不可或缺的一部分,是对数据进行初步地清理和归纳,为分 类算法提供目标数据。本文分析了几种数据预处理技术,针对分类算法,提出了应用偏最 小二乘思想(PLS)的主成分分析法对数据进行降维操作。同时利用模糊聚类方法对重要数 据类进行离散化,形成分类属性。 神经网络是目前较新的一种分类器,本文采用BP神经网络、RBF神经网络和LVQ神经 网络来构造网络分类器。这类分类器的优点在于分类较为精确,但是规则提取较为困难, 本文的主要工作旨在提高分类器的分类精度,对规则提取部分涉及较少。 决策树是常用的数据分类方法,本文分析了几种常用的决策树算法,从算法的本质出 发,发现决策树的生成与样本的选取有很大关系。因此提出基于样本选取的决策树改进算 法。该算法在不改变传统方法的基础上,旨在分析输入输出的关系调整样本,从而得到较 优的决策树规则。 最后,本文总结了以上方法,阐述了其优点和不足,提出了今后的工作以及研究方向。

关键词： software   quality   prediction   classification   and   regression   tree   artificial   neural   network   case-basedreasoning  

摘要： The contribution of this paper is comparing three popular machine learning methods for software fault prediction. They are classification tree, neural network and case-based reasoning. First, three different classifiers are built based on these three different approaches. Second, the three different classifiers utilize the same product metrics as predictor variables to identify the fault-prone components. Third, the predicting results are compared on two aspects, how good prediction capabilities these models are, and how the models support understanding a process represented by the data.