排序方式： 共有3条查询结果，搜索用时 578 毫秒
1
1.
药物研发是一个难度系数大、耗费时间长的工作。根据结构活性关系规则，具有相似结构的化合物可能具有相似特性。因此，准确地对化合物进行分类具有十分重要的意义。回顾了SVM与比较常用的化合物分类方法及各自的优缺点，阐述了对分类方法进行的改进与优化，展望了化合物分类的发展方向。 相似文献
2.
为了解决传统隐马尔可夫模型应用通常将隐状态数和混合成份数看作一致的弊端,更客观地描述问题,使模型研究适合现实的数据分布,参数设定更为精准,从而使算法效果达到最优,提出一种基于高斯混合分布、聚类思想和OEHS准则的适应数据分布且自动确定参数的算法。因隐马尔可夫学习算法由EM算法实现,但EM是局部最优算法,严重依赖初始值,从跳出局部最优的角度出发,对两个参数进行初始设定。与传统的随机初始化方法进行比较,实验结果表明,该算法能得到更好的结果。 相似文献
3.
由于蛋白质的多样性及其结构的复杂性,采用传统按照属性简单线性组合的函数方法难以实现正确分类。图核方法则为此提供了一个解决方案,通过图核方式将蛋白质具有的结构信息提取出来,将两图的相似性比较转化为两图各顶点之间匹配度的比较。提出混合矩阵的点边相似核,将图的邻接矩阵看作各顶点样本向量,通过寻找两图最相似的顶点对进行核值计算。此外,还提出将图核与神经网络相结合,利用神经网络良好的分类性能提高分类准确率。实验结果表明,采用该方法比原有方法的分类准确率提高了15%~30%。 相似文献
1