检索结果-内蒙古大学图书馆

计算机科学 2015年第5期42卷 28-33页

作者：郭丽丽丁世飞中国矿业大学计算机科学与技术学院徐州221116 中国科学院计算技术研究所智能信息处理重点实验室北京100190

深度学习(Deep Learning)是一个近几年备受关注的研究领域,在机器学习中起着重要的作用。如果说浅层学习是机器学习的一次浪潮,那么深度学习作为机器学习的一个新领域,将掀起机器学习的又一次浪潮。深度学习通过建立、模拟人脑的分层结... 详细信息

深度学习(Deep Learning)是一个近几年备受关注的研究领域,在机器学习中起着重要的作用。如果说浅层学习是机器学习的一次浪潮,那么深度学习作为机器学习的一个新领域,将掀起机器学习的又一次浪潮。深度学习通过建立、模拟人脑的分层结构来实现对外部输入的数据进行从低级到高级的特征提取,从而能够解释外部数据。首先介绍了深度学习的由来,分析了浅层学习存在的弊端;其次列举了深度学习的经典方法,主要以监督学习和无监督学习来展开介绍;然后对深度学习的最新研究进展及其应用进行了综述;最后总结了深度学习发展所面临的问题。

关键词：机器学习浅层学习深度学习卷积神经网络深度置信网

来源：评论

学校读者我要写书评

暂无评论

基于词类和搭配的微博舆情文本聚类方法研究

引用

南京师大学报（自然科学版） 2015年第1期38卷 57-65页

作者：王恒静曹存根高尚江苏科技大学计算机科学与工程学院江苏镇江212003 中国科学院计算技术研究所智能信息处理重点实验室北京100190

微博是近年出现的新型互联网信息交流平台,它具有主题分散、体量短小、文体自由等特性,它能对社会产生巨大的影响,所以信息监管部门和商业企业对基于微博信息的舆情分析都有迫切需求.提出了基于搭配的文本聚类新方法,该方法先进行微博... 详细信息

微博是近年出现的新型互联网信息交流平台,它具有主题分散、体量短小、文体自由等特性,它能对社会产生巨大的影响,所以信息监管部门和商业企业对基于微博信息的舆情分析都有迫切需求.提出了基于搭配的文本聚类新方法,该方法先进行微博文本预处理,然后利用词类模型进行自动抽取有效搭配,最后基于有效搭配的模型进行文本聚类.实验证明利用词类文本聚类方法比传统文本聚类方法性能提高6.3%,而本文方法比利用词类文本聚类方法性能提升了16.8%,结果显示了本方法的有效性.

关键词：微博舆情分析词义类簇搭配相似度文本聚类

来源：评论

学校读者我要写书评

暂无评论

大数据知识计算的挑战

引用

情报工程 2015年第6期1卷 43-50页

作者：孙晓平中国科学院计算技术研究所智能信息处理重点实验室北京100190

知识计算是传统人工智能研究的一个重要领域。知识计算研究知识的表达、管理、获取和使用的计算问题。本文探讨了大数据时代,知识计算技术面临新的挑战和机遇,分析了知识的表达、获取和计算在大数据时代的新需求,以及知识计算模型和方... 详细信息

知识计算是传统人工智能研究的一个重要领域。知识计算研究知识的表达、管理、获取和使用的计算问题。本文探讨了大数据时代,知识计算技术面临新的挑战和机遇,分析了知识的表达、获取和计算在大数据时代的新需求,以及知识计算模型和方法可能需要的新的突破以解决大数据的动态、开放、异构、海量等性质所带来的知识计算问题,提出了开放性、一致性、完备性和上下文等几个大数据知识计算所面临的关键问题。

关键词：大数据知识计算

来源：评论

学校读者我要写书评

暂无评论

基于邻域粗糙集的极速学习机算法

引用

济南大学学报（自然科学版） 2015年第5期29卷 367-371页

作者：鲍丽娜丁世飞许新征孙统风中国矿业大学计算机科学与技术学院江苏徐州221116 中国科学院计算技术研究所智能信息处理重点实验室北京100190

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测... 详细信息

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测。实验表明ELM算法相比具有更高的训练精度和测试精度。

关键词：邻域粗糙集属性约简极速学习机

来源：评论

学校读者我要写书评

暂无评论

基于OMKast的术语关系获取和验证

引用

计算机应用研究 2015年第11期32卷 3319-3323页

作者：王娜娜黄运有唐素勤王石曹存根广西师范大学计算机科学与信息工程学院广西桂林541000 中国科学院计算技术研究所智能信息处理重点实验室北京100190

为了从海量数据中获取知识,提出了术语间关系的抽取方法:定义了上下位关系和整分关系,在此基础上新增加了N条关系,从关系的定义域和值域、关系的限制条件、关系的公理等出发,准确地定义出关系的内涵,并根据关系的内涵定义出关系的语义... 详细信息

为了从海量数据中获取知识,提出了术语间关系的抽取方法:定义了上下位关系和整分关系,在此基础上新增加了N条关系,从关系的定义域和值域、关系的限制条件、关系的公理等出发,准确地定义出关系的内涵,并根据关系的内涵定义出关系的语义特征。最后针对关系表达的灵活性,总结出了关系表述的语法特征和表述文法。结合上述语法特征和语义特征,编写了一种可执行的知识抽取程序——OMKast程序,并从原始文本语料中抽取关系。利用语义特征和统计学的方法验证抽取出的关系。实验结果表明,该方法具有良好的有效性。

关键词：术语术语间关系关系公理文本知识获取术语关系获取术语关系验证

来源：评论

学校读者我要写书评

暂无评论

异质媒体分析技术研究进展

引用

集成技术 2015年第2期4卷 7-21页

作者：王树徽黄庆明中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学北京100049

在异质媒体应用迅速兴起,线上内容和线下服务对网络用户影响日益深刻的背景下,介绍了异质媒体分析的相关概念和方法,对异质媒体的多源自然属性和社会属性进行有效感知,揭示海量异质媒体的语义多样性、复杂关联和内在信息传播机制。文章... 详细信息

在异质媒体应用迅速兴起,线上内容和线下服务对网络用户影响日益深刻的背景下,介绍了异质媒体分析的相关概念和方法,对异质媒体的多源自然属性和社会属性进行有效感知,揭示海量异质媒体的语义多样性、复杂关联和内在信息传播机制。文章主要内容涵盖以下几方面:首先,讨论异质媒体数据的跨平台、多模态和来源广泛等特性及其带来的挑战和机遇,介绍异质媒体分析技术的特点和传统单一媒体分析的不同之处,以及异质媒体研究可能带来的科学和社会影响力;其次,分别从异质媒体语义分析与理解、异质媒体关联建模和异质媒体社群分析等三个方面介绍异质媒体分析技术的国内外研究现状;最后,介绍作者及所在研究团队在异质语义分析理解,异质媒体中热点事件和话题分析以及异质媒体用户行为分析等方面的最新研究成果。

关键词：异质媒体语义分析与理解关联分析热点事件和话题分析社群行为分析

来源：评论

学校读者我要写书评

暂无评论

pTop:整体蛋白质上的规模化鉴定算法

pTop:整体蛋白质上的规模化鉴定算法

引用

中国化学会第二届全国质谱分析学术报告会

作者：孙瑞祥罗兰邬龙曾文锋迟浩刘超贺思敏中国科学院智能信息处理重点实验室中国科学院计算技术研究所

目前,蛋白质鉴定广泛采用的方法是基于酶切肽段的串联质谱技术;最近五年多,高效的整体蛋白质分离技术和高分辨率的质谱技术的快速发展,使得研究人员开始采用基于整体蛋白质的串联质谱技术来鉴定蛋白质及其翻译后修饰[1,2]。相比于酶切... 详细信息

目前,蛋白质鉴定广泛采用的方法是基于酶切肽段的串联质谱技术;最近五年多,高效的整体蛋白质分离技术和高分辨率的质谱技术的快速发展,使得研究人员开始采用基于整体蛋白质的串联质谱技术来鉴定蛋白质及其翻译后修饰[1,2]。相比于酶切肽段的质谱数据,整体蛋白质上的质谱数据可以提供更加丰富的生物学信息,如探究翻译后修饰之间的关联关系、定量关系等。然而,当前基于串联质谱数据的整体蛋白质鉴定软件还刚刚起步,面对蛋白质组规模上的高通量复杂质谱数据和多修饰鉴定仍然存在很多的问题,如母离子的质量校准问题、搜索效率低、搜索时间长的问题等等。本文基于在肽段鉴定搜索引擎pFind开发上的技术积累,开发了基于数据库搜索策略的整体蛋白质鉴定引擎pTop。在pTop中,我们首先开发了整体蛋白质质谱数据的预处理软件pParse TD,它利用机器学习的方法综合了蛋白质的多种特征来检测母离子,从而实现校准母离子质量和导出共洗脱的母离子。在pParseTD保障可以导出准确的母离子质量前提下,我们又实现了基于数据库搜索的高效鉴定引擎pTop,它通过先进的计算机算法,大量缩减了候选蛋白质变体的规模,从而实现了整体蛋白质及其翻译后修饰鉴定效率上的大幅提升。图1中的左图是在一组组蛋白数据集上[3]对比pParse TD与MS-Deconv[4]、Xtract[5]的预处理结果,右图是在三个数据集上对比了ProS ight、MS-Align+和pTop的处理时间(单位:分钟),从图中可看出,pParse TD提高了整体蛋白质的母离子精度,而pTop显著提升了搜索效率。

关键词： Top-down 整体蛋白质谱图预处理机器学习搜索引擎

来源：评论

学校读者我要写书评

暂无评论

pAnno:蛋白质基因组学自动化注释软件

pAnno:蛋白质基因组学自动化注释软件

引用

中国化学会第二届全国质谱分析学术报告会

作者：张昆迟浩刘超孙瑞祥徐平贺思敏中国科学院计算技术研究所中国科学院智能信息处理重点实验室

蛋白质基因组学[1]利用蛋白质组学串联质谱数据注释基因组,相比以往的基于基因组学和转录组学的基因组注释方法,在验证和校正已注释基因,发现新基因上具备独特的优势[2]。通过文献调研,我们发现蛋白质基因组学分析可大致划分成蛋白质基... 详细信息

蛋白质基因组学[1]利用蛋白质组学串联质谱数据注释基因组,相比以往的基于基因组学和转录组学的基因组注释方法,在验证和校正已注释基因,发现新基因上具备独特的优势[2]。通过文献调研,我们发现蛋白质基因组学分析可大致划分成蛋白质基因组学数据库创建、串联质谱鉴定与质量控制、基因组重注释三个步骤。除串联质谱鉴定与质量控制属于常规蛋白质组学分析范畴外,其他两个步骤还未能很好地整合起来,更不便于自动化分析。为此,我们开发了蛋白质基因组学自动化注释工具p Anno。结合串联质谱搜索引擎p Find[3],我们不仅实现了蛋白质基因组学的自动化分析,还连接了注释结果的界面展示(图1)。从软件设计上来看,pA nno使用了模型-视图-控制器的模式,不仅将内核(负责数据库创建和基因组重注释,对应"模型")、重注释结果的界面展示(对应"视图")整合了起来,同时还方便软件的扩展。在结核分枝杆菌的蛋白质基因组学分析实践中,我们发现了来自基因组上未注释区域的105条新肽段。这些新肽段中的68条虽然未在结核分枝杆菌中有注释,却存在于其他的分枝杆菌基因组注释当中,说明了结果的准确性;另外的37条新肽段虽然无同源注释,但极有可能表达自真阳的新基因[4]。随着基因组测序技术愈发便宜、快速,越来越多的物种完成了全基因组测序,蛋白质基因组学注释工具p Anno将会更广泛地应用在这些物种的基因组注释当中。

关键词：蛋白质基因组学质谱基因组注释 pAnno 结核分枝杆菌

来源：评论

学校读者我要写书评

暂无评论

pFind:蛋白质组海量质谱数据的深度解析系统

pFind:蛋白质组海量质谱数据的深度解析系统

引用

中国化学会第二届全国质谱分析学术报告会

作者：迟浩曾文锋张昆杨皓刘超孙瑞祥贺思敏中国科学院智能信息处理重点实验室中国科学院计算技术研究所

质谱技术是蛋白质组学研究中样品分析的重要利器。然而,当前质谱数据的解析率水平仅有30%-50%,也就是说,至少有一半数据在采集之后被白白浪费[1,2]。质谱数据解析能力的不足也直接制约着蛋白质组信息的进一步挖掘。因此,我们针对海量质... 详细信息

质谱技术是蛋白质组学研究中样品分析的重要利器。然而,当前质谱数据的解析率水平仅有30%-50%,也就是说,至少有一半数据在采集之后被白白浪费[1,2]。质谱数据解析能力的不足也直接制约着蛋白质组信息的进一步挖掘。因此,我们针对海量质谱数据的深度解析问题,研究并实现了新一代质谱数据分析与蛋白质鉴定引擎pFind[3,4]。新一代pFind的特点主要有:第一,在搜索过程中考虑更全面的检索空间,如给定蛋白质数据库中所有肽段的所有可能的酶切形式,并使用全新的索引技术,支持检索蛋白质可能发生的上千种修饰类型。第二,考察更丰富的肽谱匹配特征,并结合机器学习算法设计肽谱匹配评价体系,全面提升鉴定结果的准确度。第三,全面考虑混合谱图的母离子信号提取、鉴定与结果评价,进一步提升肽段和蛋白质的鉴定数目。pFind系统的搜索流程如图1所示。我们在多组大规模质谱数据集上进行了pFind引擎的性能评测,结果表明,新一代pFind系统的解析率、解析准确度和解析速度均有大幅提高。首先,质谱数据的解析率在多组数据集上均可稳定达到65%-85%,与传统引擎相比可提高30到50个百分点。其次,pFind的搜索速度极快,搜索人类蛋白质数据库时,使用普通个人计算机每秒钟可检索30张谱图,而搜索规模较小的酵母数据库时,速度可达到每秒钟200张谱图以上,是同类引擎的十倍甚至上百倍。最后,pFind系统对搜索结果给出了丰富的信息展示,并从数据中自动发现影响前端实验的意外因素,进而对实验参数进行反馈,对整个实验流程的优化也可起到积极的推动作用。

关键词：蛋白质组学质谱深度解析搜索引擎 pFind

来源：评论

学校读者我要写书评

暂无评论

pNovo:基于串联质谱的从头测序方法的研究

pNovo:基于串联质谱的从头测序方法的研究

引用

中国化学会第二届全国质谱分析学术报告会

作者：杨皓迟浩刘超张昆曾文锋孙瑞祥贺思敏中国科学院智能信息处理重点实验室中国科学院计算技术研究所

利用串联质谱进行蛋白质鉴定通常有两大类方法:数据库搜索与肽段从头测序。从头测序方法不需要数据库的辅助,而是直接从谱图中推导出肽段序列[1,2]。理论上,如果一条肽段碎裂得比较充分,以至于质谱中存在它的所有或大多数碎裂位置的离子... 详细信息

利用串联质谱进行蛋白质鉴定通常有两大类方法:数据库搜索与肽段从头测序。从头测序方法不需要数据库的辅助,而是直接从谱图中推导出肽段序列[1,2]。理论上,如果一条肽段碎裂得比较充分,以至于质谱中存在它的所有或大多数碎裂位置的离子,那么我们便有可能通过谱图中这样的连续谱峰的质量差推导出整个序列(图1)。我们在已有的p Novo算法研究[3,4]的基础上,使用机器学习算法识别离子类型,并将谱峰转化成相应的结点,将谱图转化成质谱连接图,通过快速计算前N长的路径的p DAG算法,生成候选肽段,通过机器学习方法理论产生带强度信息的理论谱图,与实验谱图匹配打分。p Novo软件主要有三个贡献:1.谱图预处理,识别谱峰的离子类型,减少转化成质谱连接图的结点数,降低图的复杂度。2.细打分,使用机器学习方法自动学习碎裂规律,训练产生的模型用来产生肽段的理论谱图,并与实验谱图进行匹配打分,考虑了更多的离子类型,包括中性丢失离子、内部离子和亚氨离子。3.合并谱图方法,将相同母离子的谱图进行合并,考虑不同电荷的情况,不同电荷的谱图碎裂互补性更好,合并产生的谱图信噪比更高,提高谱图质量。p Novo和PEAKS7.5在多组数据集上进行了对比评测,p Novo的准确度比PEAKS7.5高5%,同时速度稍好于PEAKS7.5。此外,p Novo还能够有效支持HCD和ETD两种碎裂形成的谱图对以及不同酶切形成的谱图。pN ovo软件能够处理绝大多数的从头测序方法的研究工作,在后续阶段我们将优化算法并制作界面,方便生物学家的使用。

关键词：串联质谱从头测序谱图预处理细打分机器学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：