33、生物信息与无线传感领域的创新算法研究

生物信息与无线传感领域的创新算法研究

在生物信息学领域，大量蛋白质的功能和遗传特征数据被收集，蛋白质结构对其生物和遗传功能起着关键作用。同时，无线传感器网络在众多应用中承担着复杂的监测任务，数据融合往往依赖于消息的时间顺序。本文将介绍两种创新的算法，分别用于蛋白质结构预测和无线传感器网络中的因果消息排序。

蛋白质结构预测算法

在蛋白质结构预测方面，以往的研究方法存在诸多挑战。传统方法通过比较未知和已知蛋白质序列的相似性来预测折叠模式，但由于数据的复杂性，包括大量折叠类、少量训练样本和多个异构特征组，使得蛋白质折叠预测的模式发现准确率难以超过60%。为解决这一问题，许多研究采用了融合和集成分类器。

本文提出了一种基于主成分分析（PCA）和线性判别分析（LDA）的新型极限学习机（ELM）算法，用于多类蛋白质折叠识别问题。该算法在预处理数据上使用PCA和LDA进行特征选择，然后应用多内核学习的ELM和支持向量机（SVM）。

• 极限学习机（ELM） ：与传统机器学习算法不同，ELM基于单隐藏层前馈神经网络（SLFNs），随机选择输入权重和隐藏神经元偏置，无需手动调整参数和避免局部极小值，提供了快速且良好的分类准确率。
• 支持向量机（SVM） ：SVM是一种著名的大间隔分类器，其基本概念是找到一个最优分离超平面来分离两个类。决策函数如下：
  [
  f(x)=\sum_{i = 1}^{N}\alpha_{i}y_{i}K(x_{i},x)+b
  ]
  其中，(b)是常数，(y_{i}\in{-1,1})，(0\leq\alpha_