基于ELMC的蛋白质折叠识别方法

传统的机器学习方法在处理蛋白质折叠类型识别问题时需要花费大量的时间来调节最佳参数,利用一种新的极限学习机(Extreme Learning Machine,ELM)分类优化方法(Extreme Learning Machine for Classification,ELMC)对蛋白质折叠进行识别,仅需调节很少的参数值就可达到很好的测试精度。与支持向量机(Support Vector Machine,SVM)和推荐相关向量机(Relevance Vector Machine,RVM)相比,ELMC能获得更好的泛化性能,而且在寻找最优解的训练时间比较上,ELMC比SVM平均要快35倍,比RVM要快12倍。

三维正交非结构网格数值模型中物理流场的定义方法与改进

使用Casulli等(2000)的数值方法建立了基于正交非结构网格的U型渠道的三维近岸正压水动力数值模型,检验了模型使用ELM(Eulerian-Lagrangian Method)方法处理平流项时,物理流场的定义对模拟结果的作用。数值试验和结果分析说明,使用ELM方法计算平流项所需的物理流场对计算结果影响明显,而目前常用的两种物理流场定义方法都存在一定不足——水位计算值对流速变化的反映不灵敏或者会产生小扰动等。针对常用物理流场定义方法的不足之处,作者在Casulli方法的基础上利用对多边形切向流速分量进行平均的方法改进了物理流场定义,抑制了小扰动。

极限学习机优化方法在蛋白质折叠类型识别中的应用

传统的机器学习方法在处理蛋白质折叠类型识别问题时需要花费大量的时间来调节最佳的参数。利用一种新的极限学习机(Extreme Learning Machine,ELM)分类优化方法(Extreme Learning Machine for Classification,ELMC)对蛋白质折叠进行识别,仅需调节很少的参数值就可达到很好的测试精度。与支持向量机(Support Vector Machine,SVM)和推荐相关向量机(Relevance Vector Machine,RVM)相比,ELMC能获得更好的泛化性能,而且在寻找最优解的训练时间比较上,ELMC比SVM平均要快35倍,比RVM要快12倍。