提出一种基于马氏距离的分段矢量量化时间序列分类(Mahalanobis distance-based time series classification using PVQA,M PVQA)算法。该算法在继承传统算法时间复杂度的基础上,引入马氏距离,克服了欧氏距离容易受模式特征量纲影响的缺...
详细信息
提出一种基于马氏距离的分段矢量量化时间序列分类(Mahalanobis distance-based time series classification using PVQA,M PVQA)算法。该算法在继承传统算法时间复杂度的基础上,引入马氏距离,克服了欧氏距离容易受模式特征量纲影响的缺点,提高了算法精度。首先,在训练时采用分段矢量量化近似方法获得码本,然后以马氏距离为相似性度量对时间序列进行分段重构。对重构后的时间序列,同样基于马氏距离为相似性度量进行判别。在4个时间序列数据集上进行的试验结果验证了所提方法在时间序列表示和分类上的优越性。
认知无线网络与传统无线网络最大的区别在于频谱感知和信道切换功能。在认知网络中,认知用户需具备频谱感知的功能,当有授权用户接入时,可以实现动态频谱切换,从而不影响授权用户的通信。因此需要更改传统协议栈的传输层协议(Transmission Control Protocol,TCP)使其适应网络的频谱感知和信道切换。通过TCP-MAC跨层可以消除由于频谱感知带来的超时重传问题,改进的TCP-improved算法可解决信道切换带来的信道利用率不高或网络拥塞的问题。实验结果显示在认知环境下TCP-improved能很好的缓解由于频谱感知和信道切换对传输层的影响,实现了认知用户的传输层性能增强。
蛋白质结构预测中,采样是指在构象空间中生成具有最小自由能的状态。传统的采样方法是对自由度直接赋值。这种方法在处理较少的残基时能取得好的效果。但是对于包含100个残基以上的蛋白质结构,由于构象空间的急剧增长,难以得到理想的结构。本文引入深度学习中的HMC(Hybrid Monte Carlo)采样方法,以概率分布为依据对蛋白质的自由度进行采样,能够对包含100、200甚至更多个残基的蛋白质结构进行采样。并且,在采样的过程中加入残基间的距离约束,使得一个结构中,相对于Rosetta的ab initio最多有75%(平均40%)的残基对得到优化,满足距离约束。
暂无评论