首页> 正文

基于生物启发计算的知识发现关键技术研究与实现

2020-11-23阅读(386)

基于生物启发计算的知识发现关键技术研究与实现

论文摘要

生物启发计算是在生物界自然现象或过程中获得灵感启示下，研究开发的智能计算模型。近年来，生物启发计算在人工智能、机器学习和数据挖掘领域得到了广泛应用；受生物科学最新发展成果的启发，各国研究学者也不断地提出很多新颖的理论和算法。但与成熟学科相比，生物启发计算领域的研究仍处于初步的探索当中。 本文探索了生物启发计算中几个富有吸引力和挑战性问题，主要创新点包括： 1、在基因表达式编程算法中引入多层染色体的概念，提出了一种基于多层染色体基因表达式编程的遗传算法M-GEP（Multi-Layer Chromosome Gene Expression Programming），新算法在解决如公式发现等具体问题中取得了较好的结果，通过实验与单基因GEP，多基因GEP算法相比，平均进化辈数有明显降低。 2、提出并实现了一种全新的进化算法-基于重叠表达的多基因进化算法-MEOE（multi-gene evolutionary algorithm based on overlapped expression）。生物学家发现，在一定条件下，组成基因的核苷酸序列有些可以重复，即重叠基因（overlapping gene）。生物遗传界普遍认为重叠基因不仅能经济和有效的利用DNA的遗传信息量，“节约”碱基，更重要的是可能便于对基因表达起调控作用。受基因重叠现象启发，结合免疫学中关于浓度的概念，作者提出并实现了一种新的进化算法-MEOE，同其他进化算法相比，MEOE表达空间效率优于其他算法；由于无需对基因或染色体内容做出约束MEOE算法效率近一步提高。实验表明，在同等条件下，MEOE的速度为GEP的2.5到9.4倍；对高次函数发现能力和函数发现的成功率方面均有较大幅度提高。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪言
  • 1.1 生物启发计算
  • 1.2 遗传算法
  • 1.3 免疫算法
  • 1.4 神经计算
  • 1.5 蚁群算法
  • 1.6 基因表达式编程（GEP）
  • 1.7 本文研究内容和创新点
  • 1.8 本文的内容组织
  • 第二章 基于多层染色体基因表达式编程的遗传算法
  • 2.1 引言
  • 2.2 算法背景及基本概念
  • 2.2.1 基本定义
  • 2.2.2 编码方法
  • 2.3 M-GEP算法
  • 2.3.1 调用结构
  • 2.3.2 算法描述
  • 2.4 适应度计算结构
  • 2.5 遗传操作
  • 2.6 人工神经网络仿真
  • 2.7 表达空间分析
  • 2.8 实验结果与算法性能分析
  • 2.9 结论
  • 第三章 基于重叠表达的多基因进化算法
  • 3.1 引言
  • 3.2 定义和编码方法
  • 3.2.1 编码方法
  • 3.3 MEOE算法
  • 3.3.1 适应度算法
  • 3.3.2 算子操作
  • 3.3.3 概率选择公式
  • 3.4 算法分析
  • 3.4.1 表达空间分析
  • 3.4.2 表达能力分析
  • 3.4.3 性状遗传分析
  • 3.5 实验及分析
  • 3.6 结论及讨论
  • 第四章 一种基于概念认知推理的数据分类方法
  • 4.1 引言
  • 4.2 属性矢量距离及投影算法
  • 4.2.1 定义
  • 4.2.2 最短属性距离算法
  • 4.2.3 属性距离与矢量投影的转换
  • 4.3 元组矢量相关度计算
  • 4.4 基于概念认知推理的分类算法
  • 4.5 实验与性能分析
  • 4.6 结论与讨论
  • 第五章 基于概念认知推理归约高维数据的新方法
  • 5.1 引言
  • 5.2 最短属性距离算法
  • 5.3 元组权重计算
  • 5.4 属性约简算法
  • 5.4.1 信息量方法
  • 5.4.2 最陡峭下降法
  • 5.4.3 拉格朗日中值法
  • 5.5 实验
  • 5.6 结论
  • 第六章 一种基于层次距离计算的聚类算法
  • 6.1 引言
  • 6.2 基本概念
  • 6.3 HDCA算法
  • 6.3.1 求取距离算法
  • 6.3.2 求中值点的算法
  • MAIN算法'>6.3.3 HDCAMAIN算法
  • 6.4 算法分析
  • 6.5 实验与性能分析
  • 6.6 结论
  • 第七章 基于神经网络和概念相似度的数据归约算法
  • 7.1 引言
  • 7.2 构造属性距离矩阵
  • 7.3 属性归约算法-RAAM
  • 7.3.1 神经网络模型简介
  • 7.3.2 属性归约算法
  • 7.4 应用
  • 7.4.1 中药功效分析简介
  • 7.4.2 实验
  • 7.5 结论
  • 第八章 基于生物启发计算的智能算法在警用流动人口分析中的应用
  • 8.1 引言
  • 8.2 TP-MINER系统结构及实现方法
  • 8.2.1 系统总体设计及结构
  • 8.2.2 数据抽取流程
  • 8.2.3 M-GEP分类模块
  • 8.2.4 MEOE分类模块
  • 8.2.5 HDCA聚类模型
  • 8.2.6 基于概念相似度神经网络分类模型
  • ALARM）'>8.2.7 智能实时报警系统结构（AIALARM）
  • 8.2.8 四种方法的适用范围与比较
  • 8.3 应用界面及部署示例
  • 8.4 结论及下一步工作
  • 结论
  • 参考文献
  • 攻读学位期间的研究成果
  • 致谢

    • 相关论文文献

    • [1].2008自然计算与模糊系统和知识发现国际会议[J]. 国际学术动态 2009(06)
    • [2].2008国际自然计算会议暨模糊系统与知识发现会议[J]. 国际学术动态 2009(01)
    • [3].知识发现与统计认识[J]. 中国统计 2020(03)
    • [4].大学课程新使命:再造知识发现、加工与传播的连续体[J]. 清华大学教育研究 2020(04)
    • [5].大数据环境下知识发现研究的变化及其发展趋向[J]. 数字图书馆论坛 2018(05)
    • [6].公众科学项目中知识发现的流程及内在机理研究[J]. 情报资料工作 2018(05)
    • [7].欢迎订阅2017年《数据分析与知识发现》(月刊)[J]. 数据分析与知识发现 2017(01)
    • [8].大数据知识发现的马克思主义追问[J]. 佳木斯大学社会科学学报 2017(05)
    • [9].基于数据挖掘技术的知识发现系统[J]. 科技创新导报 2017(21)
    • [10].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(Z1)
    • [11].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(05)
    • [12].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(08)
    • [13].《数据分析与知识发现》征文通知[J]. 数据分析与知识发现 2020(07)
    • [14].近年来我国图书馆知识发现研究的知识图谱分析[J]. 河南图书馆学刊 2018(09)
    • [15].《数据分析与知识发现》期刊征文[J]. 现代图书情报技术 2016(12)
    • [16].新信息环境下知识发现系统的创新探索[J]. 新世纪图书馆 2017(01)
    • [17].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(01)
    • [18].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(06)
    • [19].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(09)
    • [20].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(10)
    • [21].图书馆知识发现系统建设与应用研究[J]. 图书馆工作与研究 2014(02)
    • [22].图书馆知识发现系统应用状况分析[J]. 科技情报开发与经济 2013(16)
    • [23].一种面向知识服务的领域知识发现流程及实例研究[J]. 情报学报 2015(01)
    • [24].图书馆利用数据实现知识发现的思考[J]. 公共图书馆 2019(03)
    • [25].图书馆知识发现系统与用户交互模型构建[J]. 情报资料工作 2018(04)
    • [26].基于概念的知识发现系统研究与设计[J]. 公安海警学院学报 2015(01)
    • [27].面向知识发现的术语关联基础平台研究[J]. 上海高校图书情报工作研究 2014(03)
    • [28].图书情报学的专门研究方法——基于非相关文献的知识发现方法[J]. 内蒙古科技与经济 2012(14)
    • [29].自然计算以及模糊系统和知识发现学术研讨[J]. 国际学术动态 2016(03)
    • [30].基于知识发现的数字图书馆知识服务研究[J]. 出版广角 2019(08)

    标签：;  ;  ;  ;  ;  ;  

    基于生物启发计算的知识发现关键技术研究与实现
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5