国家自然科学基金(10371135)
- 作品数：51 被引量：189H指数：8
- 相关作者：朱思铭桑波彭红毅罗泽举蒋春福更多>>
- 相关机构：中山大学聊城大学华南农业大学更多>>
- 发文基金：国家自然科学基金广东省自然科学基金中国博士后科学基金更多>>
- 相关领域：理学自动化与计算机技术轻工技术与工程农业科学更多>>
- 时间可逆系统的等时中心条件被引量：2
- 2010年
- 当中心邻域的闭轨周期为常数时,该中心称为等时中心.解决等时中心问题的主要难点在于横截交换系统的计算.为了减少计算量,对于时间可逆的解析微分系统,给出了系统具有等时中心的两个充要条件,为建立等时中心条件推导的直接方法作理论上的准备.
- 桑波伊继金朱思铭
- 关键词：等时性
- 基于隐马尔可夫模型的DNA序列识别被引量：8
- 2007年
- 利用隐马尔可夫模型训练中不同结构的DNA序列的L值分布范围不同的特点,对传统多类投票模型进行改进,提出一种优于传统算法的快速训练算法,该算法只需训练出一类隐马尔可夫模型参数.对DNA内含子和外显子序列进行识别,平均识别率达到了90.8%.与支持向量机相比,隐马尔可夫模型在解决多分类问题方面具有优势,不但计算时间少,而且识别率高.
- 罗泽举李艳会宋丽红朱思铭
- 关键词：隐马尔可夫模型DNA序列内含子外显子快速训练算法
- 基于ICA与MViSOM的孤立点挖掘模型
- 2007年
- 本文提出了一种基于独立成分分析(ICA)与改进的可视化诱导自组织映射(MViSOM)的孤立点挖掘模型——IMVOM模型,该模型用ICA方法对观测到的多维随机向量进行独立成分分解,得到一个独立成分数据集,然后用改进的MViSOM方法取得数据的可视化。该模型充分结合“人类擅长于模式识别的能力”与“电脑擅长于大量地记忆、快速地计算的能力”的双方优点进行孤立点的挖掘,避免了对高维数据内部结构的复杂探测,从而克服了高维数据集孤立点挖掘过程中的一些困难。实验结果也验证了所提模型的合理性。
- 彭红毅蒋春福朱思铭
- 关键词：孤立点ICA
- 基于聚类的大样本支持向量机研究被引量：19
- 2006年
- 针对大样本支持向量机内存开销大、训练速度慢的缺点,本文提出了基于聚类支持向量机,运用 k-mean 对样本聚类,压缩样本量,构造初始超平面,筛选出靠近超平面的支持类和可能支持向量,重新构造决策超平面。实验表明。在保持泛化精度基本一致前提下,改进算法的训练速度明显提高。
- 奉国和朱思铭
- 关键词：支持向量机分类大样本聚类
- 焦点量与鞍点量的关系被引量：1
- 2007年
- 对于一般情形,给出焦点量和鞍点量计算与约化的Maple算法,从而统一了焦点量和鞍点量的计算,并给出细焦点与细鞍点的变换,利用变换推导了焦点量和鞍点量的关系．
- 桑波朱思铭
- 关键词：焦点量鞍点量
- 一类变量可分离支持向量分类机的研究与应用被引量：2
- 2006年
- 针对传统SVC方法在样本容量大时存在训练时间过长、精度不高等不足,建立了一种变量可分离的支持向量分类模型DCSVC及算法,并应用于随机函数生成数据分类学习及戈尾属植物数据集分类预测中,从理论与实践上证明了DCSVC算法优于传统SVC算法(分类正确率较高而且训练时间较短)。
- 黄文强黄榕波朱思铭
- 关键词：支持向量机
- 基于EM的隐马氏过程随机迭代算法及其在生物序列启动子识别中的应用
- 2006年
- 随着后基因组时代的到来,如何去揭示序列背后隐藏的生命信息已成为当前生命科学探讨的主题。而控制基因表达的正是启动子序列,如何去识别和预测序列的启动子区域是基因研究的重点课题。隐马尔可夫模型是最近几年研究基因最主要的模型。本文首先探讨了EM算法并提出了随机迭代算法,在初始状态分布和散发矩阵都随机假设,而转移矩阵由序列计算出的条件下对人类启动子序列进行识别,平均识别率达到了92.05%。改进了多分类问题中的“投票策略”,提出了“一票决定”算法,使算法次数由O(N2)降到了O(N),由此对多个DNA家族进行分类,正确率达90.73%。从结果上看,在两类问题上,支持向量机比隐马尔可夫模型优越,但在处理多分类问题上隐马尔可夫模型却比支持向量机有更强的分类能力。
- 罗泽举朱思铭
- 关键词：隐马尔可夫模型
- 一类无穷时滞微分系统的周期解和全局渐近稳定性被引量：4
- 2004年
- 利用重合度理论中的延拓定理和微分不等式讨论一类无穷时滞微分系统的周期解的存在性和全局渐近稳定性,获得了简便的判别条件.
- 彭世国朱思铭
- 关键词：无穷时滞微分系统周期解延拓定理全局渐近稳定性
- 改进SVM及其在时间序列数据预测中的应用被引量：22
- 2005年
- 运用标准支持向量机预测海量金融时间序列数据会出现训练速度慢、内存开销大的问题,文中提出一种分解合作加权的回归支持向量机,将大样本集分解成若干工作子集,分段提炼出支持向量机,同时根据支持向量的重要性给出不同的错误惩罚度,并将其应用于证券指数预测.与标准算法相比较,文中方法在保证泛化精度一致的前提下,极大地加快了训练速度.
- 奉国和朱思铭
- 关键词：支持向量机时间序列证券指数
- 焦点量算法与中心条件推导被引量：8
- 2008年
- 对于一般情形,基于后继函数法给出焦点量计算的递推公式;基于形式级数法给出焦点量计算和化简的Maple算法;给出了时间可逆条件的推导算法,给出了一类五次系统时间可逆的充要条件.
- 桑波朱思铭
- 关键词：焦点量后继函数形式级数
