＂Final all possible steps＂ approach for accelerating stochastic simulation of coupled chemical reactions

In this paper, we develop a modified accelerated stochastic simulation method for chemically reacting systems, called the ＂final all possible steps＂ （FAPS） method, which obtains the reliable statistics of all species in any time during the time course with fewer simulation times. Moreover, the FAPS method can be incorporated into the leap methods, which makes the simulation of larger systems more efficient. Numerical results indicate that the proposed methods can be applied to a wide range of chemically reacting systems with a high-precision level and obtain a significant improvement on efficiency over the existing methods.     

加速随机模拟化学反应系统的"最后所有可能的步进"方法

提出了一种改进的模拟化学反应系统的加速方法,称为"最后所有可能的步进"(FAPS)方法.此方法不仅可以用较少的模拟次数得到整个运行过程中任何时刻物种的统计特性,而且还可以与leap算法相结合,有效地进行大规模的化学反应系统的模拟.数值模拟的结果表明提出的方法可以广泛地应用于多种化学反应系统,并且与已有的方法相比其运行效率有显著的改进.     

线性规划支持向量机

通过对统计学习理论中的支持向量回归问题,特别是结构风险问题和ε-不敏感函数的分析,得到了一种新的支持向量回归算法.新算法将传统的支持向量回归问题中的二次优化问题改进为线性规划问题,这一改进大大降低了求解的复杂度,其训练时间快了至少一个数量级以上.最后对人工和实际的样本进行了试验,结果说明了线性规划支持向量回归能较好地逼近被估计函数,且计算复杂度明显降低.     

密度函数估计的修正SVM法

 讨论密度函数的非参数估计问题,提出了一种修正的支持向量机(SupportVectorMachines,简记为SVM)方法,修正SVM法是在SVM方法的基础上进行简单改进而得到的,它是基于概率理论的概率大的事件其对应的样本数目会比概率小的事件的对应的样本数目多一些这一先验性质而产生的,这样估计的函数能更好地近似真正的密度函数.同时,由于密度函数的估计问题是不适定的,文中密度函数估计采用了正则化技术处理这一估计问题,最后通过一模拟实验,表明采用修正SVM法比采用SVM法进行密度函数估计能更好地逼近真实密度函数.     

蛋白质系统突变分析及系综优化算法的计算机实现

蛋白质突变分析是研究蛋白质活性位点、蛋白质相互作用分析及蛋白质功能的重要手段,由于常规的实验方法费时费力,计算机模拟蛋白质位点系统突变,并对突变的效果作合理的评价就显得尤为重要.介绍了计算机模拟蛋白质位点系统突变的实现方法,利用系综优化算法对各突变体的自由能进行计算,并提出合理的评估标准.与现有的生物学实验结果相比较,计算机模拟计算的正确率为69.23%,假阳性率为30.77%.     

基于CCH的SVM几何算法及其应用

The support vector machine （SVM） is a novel machine learning tool in data mining. In this paper, the geometric approach based on the compressed convex hull （CCH） with a mathematical framework is introduced to solve SVM classification problems. Compared with the reduced convex hull （RCH）, CCH preserves the shape of geometric solids for data sets; meanwhile, it is easy to give the necessary and sufficient condition for determining its extreme points. As practical applications of CCH, spare and probabilistic speed-up geometric algorithms are developed. Results of numerical experiments show that the proposed algorithms can reduce kernel calculations and display nice performances.     

时滞化学反应系统中的DτL算法

最近发展的可精确模拟时滞化学反应系统的动力学状态的时滞随机模拟算法 (delay stochastic simulation algorithm,DSSA)的模拟效率很低.提出一个快速随机模拟时滞τ- leaping(delay τ-leaping,D_τL)算法.D_τL算法首先确定满足Leap条件的Leap时间τ,然后利用每个反应通道的反应次数的近似概率密度函数随机确定反应次数.该算法能在较小精度损失的基础上提高模拟时滞化学反应系统的速度.数值试验表明，D_τL算法在模拟时滞化学反应系统时能取得很好的性能.     

最小二乘支持向量机的一个快速近似算法

最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)已成功地应用于许多分类问题上,但由于其解不具有稀疏性,该方法无法应用到大数据集的学习与测试上.提出了LS-SVM的一个快速近似HBILS-SVM算法.该算法结合Backfitting与Invfitting法则迭代增加或减少一个支持向量,这一过程重复直到满足给定的停止条件,从而构建出最终的分类决策函数.对比已有的稀疏化算法,HBILS-SVM算法的计算复杂度低,解更加稀疏,且支持向量更具有全局最优性.数值模拟试验表明:HBILS-SVM算法能在取得同样的泛化性能的前提下使得分类器更加稀疏.