-
公开(公告)号：CN109615057B
公开(公告)日：2023-02-28
申请号：CN201811444668.X
申请日：2018-11-29
Applicant: 山东大学
IPC: G06N3/008 , G06Q10/0631
Abstract: 本发明公开了群机器人觅食中基于动态响应阈值的自组织任务分配方法，包括：在觅食任务开始时，所有机器人都聚集在巢穴中处于等待状态，当等待时间超过给定时间后，使用动态响应阈值模型计算觅食概率，基于觅食概率，机器人决定是否开始觅食，即从等待状态切换到搜索状态；其中，动态响应阈值模型中，使用交通流密度，即一段时间内机器人的平均避障次数及觅食机器人密度，作为动态变化的阈值来衡量环境中机器人运动的交通状况，群机器人对环境的变化做出适当的响应，产生自组织的任务分配。构造了基于交通流密度的动态响应阈值模型使群机器人系统能够产生自组织的任务分配，从而减少了机器人之间的物理交互，提高了群机器人的觅食效率。
-
公开(公告)号：CN110488020A
公开(公告)日：2019-11-22
申请号：CN201910734943.X
申请日：2019-08-09
Applicant: 山东大学
Abstract: 本申请提供了一种蛋白质糖化位点鉴定方法，包括：收集蛋白质糖化位点数据，从所述蛋白质糖化位点数据中提取肽链获得肽链样本集，所述肽链以赖氨酸为中心；分别采用单热向量编码所述肽链的每个氨基酸，获得使用单热向量表示的肽链训练集；利用LSTM RNNs训练生产人工肽链样本，构建人工肽链样本集；将所述肽链样本集和人工肽链样本集中各肽链分割成一系列的生物学词，基于所述生物学词分别通过ProtVec构造所述肽链样本集和人工肽链样本集中各肽链的特征；基于CNN训练获得预测器、鉴定蛋白质糖化位点。本申请提供的种蛋白质糖化位点鉴定方法，用于鉴定蛋白质糖化位点，降低特征提取的繁复度，提高蛋白质糖化位点鉴定的准确度。
-
公开(公告)号：CN109726510A
公开(公告)日：2019-05-07
申请号：CN201910061890.X
申请日：2019-01-23
Applicant: 山东大学
Abstract: 本申请提供了一种蛋白质糖化位点鉴定方法，收集糖化位点训练数据集，从所述糖化位点训练数据集中提取肽链，利用肽链数字矢量、肽链中氨基酸的可及表面积、肽链中氨基酸的二级结构概率和肽链的灰色关联度来编码表征蛋白质，选用最大相关性最小冗余(mRMR)特征选择算法找到最佳特征集，然后在支持向量机上训练获得预测器，从而进行蛋白质糖化位点鉴定。本申请提供的蛋白质糖化位点鉴定方法，充分考虑肽链中氨基酸序列、肽链中氨基酸的可及表面积、肽链中氨基酸的二级结构概率和肽链的灰色关联度，有助于提高蛋白质糖化位点鉴定的准确性。
-
公开(公告)号：CN109615057A
公开(公告)日：2019-04-12
申请号：CN201811444668.X
申请日：2018-11-29
Applicant: 山东大学
Abstract: 本发明公开了群机器人觅食中基于动态响应阈值的自组织任务分配方法，包括：在觅食任务开始时，所有机器人都聚集在巢穴中处于等待状态，当等待时间超过给定时间后，使用动态响应阈值模型计算觅食概率，基于觅食概率，机器人决定是否开始觅食，即从等待状态切换到搜索状态；其中，动态响应阈值模型中，使用交通流密度，即一段时间内机器人的平均避障次数及觅食机器人密度，作为动态变化的阈值来衡量环境中机器人运动的交通状况，群机器人对环境的变化做出适当的响应，产生自组织的任务分配。构造了基于交通流密度的动态响应阈值模型使群机器人系统能够产生自组织的任务分配，从而减少了机器人之间的物理交互，提高了群机器人的觅食效率。
-
Patent Agency Ranking
公开(公告)号：CN109726510B
公开(公告)日：2022-12-23
申请号：CN201910061890.X
申请日：2019-01-23
Applicant: 山东大学
Abstract: 本申请提供了一种蛋白质糖化位点鉴定方法，收集糖化位点训练数据集，从所述糖化位点训练数据集中提取肽链，利用肽链数字矢量、肽链中氨基酸的可及表面积、肽链中氨基酸的二级结构概率和肽链的灰色关联度来编码表征蛋白质，选用最大相关性最小冗余(mRMR)特征选择算法找到最佳特征集，然后在支持向量机上训练获得预测器，从而进行蛋白质糖化位点鉴定。本申请提供的蛋白质糖化位点鉴定方法，充分考虑肽链中氨基酸序列、肽链中氨基酸的可及表面积、肽链中氨基酸的二级结构概率和肽链的灰色关联度，有助于提高蛋白质糖化位点鉴定的准确性。
-
公开(公告)号：CN110033089B
公开(公告)日：2021-03-26
申请号：CN201910309944.X
申请日：2019-04-17
Applicant: 山东大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统，包括：初始化种群，将种群中每一个个体解码为深度神经网络；对上述深度神经网络的分类能力进行评价；对种群中的个体优劣进行排序；随机产生掩码向量，根据掩码向量及统计学参数确定待求解变量本次迭代的概率分布模型；依据掩码向量与概率分布模型采样，生成新的种群个体；获得最优分布式估计算法个体；利用梯度优化算法，对分布式估计算法获得的深度神经网络模型进行微调，获得最优深度神经网络参数。本发明将分布式估计算法和深度神经网络的优化相结合，利用分布式估计算法的全局搜索能力，减少神经网络优化过程中对梯度信息的依赖。
-
公开(公告)号：CN111599412A
公开(公告)日：2020-08-28
申请号：CN202010335096.2
申请日：2020-04-24
Applicant: 山东大学
Abstract: 本申请提供的基于词向量与卷积神经网络的DNA复制起始区域识别方法中，首先通过连续三分序列分词将DNA序列进行分词，得到各个三联核苷酸，然后将分词后的三联核苷酸负采样后通过Word2vec迭代训将三联核苷酸进行向量化得到词向量，所有的词向量合并后得到预训练特征向量矩阵，预训练特征向量矩阵中包括各个三联核苷酸的预训练特征向量，将分词后的各三联核苷酸竖向排列后嵌入各个三联核苷酸的预训练特征向量得到词嵌入层，词嵌入层将三联核苷酸序列特征向量化，然后经过卷积、池化训练得到卷积神经网络，通过加入词嵌入层的卷积神经网络进行ORI特征的深度挖掘和分类识别，最终识别出ORI；本申请的识别准确度大大提高。
-
-
公开(公告)号：CN104331642A
公开(公告)日：2015-02-04
申请号：CN201410588610.8
申请日：2014-10-28
Applicant: 山东大学
Abstract: 本发明公开了用于识别细胞外基质蛋白的集成学习方法，数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；将训练样本集中的蛋白质序列映射成数值特征向量；采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；将独立测试样本集映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有测试样本的预测结果评价预测系统的性能；本发明开发了用于细胞外基质蛋白识别的网络服务器系统。用户无需理解细胞外基质蛋白识别的具体执行过程，只需输入待预测的蛋白质序列，即可得到预测结果。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.016 seconds)
