机器学习大作业
机器学习与生物信息学
摘要
本文首先介绍了生物信息学的概念、产生的背景、主要的研究方法、研究方向以及机器学习的相关概念。然后通过比较两者所需解决的问题得到机器学习在解决生物信息学相关问题方面可以得到应用，并结合现实的应用，介绍了机器学习在生物信息学各方面的现实已有应用。最后对两者关系进行总结，得出两者在未来会相互促进、共同发展。
关键字：生物信息学机器学习
目录
第一章生物信息学的基本概念以及产生背景 (1)
1.1生物信息学的定义 (1)
1.2生物信息学的产生背景 (1)
第二章生物信息学的研究方法及一般步骤 (3)
2.1生物信息学的研究方法 (3)
2.2研究生物信息学的一般步骤 (3)
第三章当前生物信息学的主要研究方向 (4)
3.1序列比对 (4)
3.2蛋白质结构比对和预测 (4)
3.3基因识别非编码区分析研究 (5)
3.4分子进化和比较基因组学 (5)
3.5序列重叠群（Contigs）装配 (6)
3.6遗传密码的起源 (6)
3.7基于结构的药物设计 (6)
3.8生物系统的建模和仿真 (6)
3.9生物信息学技术方法的研究 (7)
3.10生物图像 (7)
3.11其他 (7)
第四章机器学习与生物信息学 (8)
4.1机器学习 (8)
4.2机器学习与生物信息学 (8)
第五章结论 (11)
第一章生物信息学的基本概念以及产生背景
1.1生物信息学的定义
生物信息学时生物学与计算机科学以及应用数学等学科相互交叉而形成的一门新兴学科：以核酸、蛋白质等生物大分子数据库作为所要研究的对象，并利用数学、信息学、计算机科学等手段，以计算机硬件、软件和计算机网络为主要工具，对数量极其庞大的原始数据进行存储、管理、注释、加工，使之成为具有明确生物意义的生物信息。并通过对生物信息的查询、探索、比较、分析，从中获取基因编码、基因调控、核苷酸和蛋白质结构功能及其相互关系等理性知识。在大量的信息和知识的基础上，探索生命起源、生物进化以及细胞、器官和个体的发生、发育、病变、衰亡等生命科学中的重大问题，搞清它们的基本规律和时空联系，建立“生物学周期表”。它通过对生物学实验数据的获取、加工、存储、检索和分析，从而达到揭示数据所蕴含的生物学意义的目的。
目前其主要的研究重点为基因组学（Genomics）和蛋白组学（Proteomics）两方面，具体说，是从核酸和蛋白质序列出发，分析序列中表达的结构和功能的生物信息。目前基因组学的研究出现了几个重心转移：一个是将一直基因序列与功能联系在一起的功能基因组学的研究；一个是从作图为基础的基因分离转向以序列为基础的基因分离；三是从研究疾病的起因装箱探索发病机理；四是从疾病诊断转向疾病易感性研究。生物芯片的应用将为上述研究提供最基本和必要的信息和依据，将作为基因组学研究的主要技术支撑。生物信息学的发展为生命科学的进一步突破以及药物研制过程中革命性的改革提供了一个机会。就人类基因组来说，得到序列仅仅是第一步，后一步工作时所谓后基因组时代（post-genome era）的任务，即收集、整理、检索和分析序列中表达的蛋白质的结构和功能信息，找出规律。
1.2生物信息学的产生背景
生物信息学是建立在分子生物学的基础上的，因此，要了解生物信息学，就必须先对分子生物学的发展有一个简单的了解。研究生物细胞的生物大分子的结构与功能很早就已经开始，1866年孟德尔从实验上提出了假设：基因是以生物成分存在，1871年Miescher从死的白细胞核中分离出脱氧核糖核酸（DNA），在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前，人们仍然认为染色体蛋白质携带基因，而DNA是一个次要的角色。
1944年Chargaff发现了著名的Chargaff规律，即DNA中鸟嘌呤的量与胞嘧定的量总是相等，腺嘌呤与胸腺嘧啶的量相等。与此同时，Wilkins与Franklin用X射线衍射技术测定了DNA 纤维的结构。1953年James Watson和FrancisCrick在Nature杂志上推测出DNA的三维结构（双螺旋）。DNA以磷酸糖链形成发双股螺旋，脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对。这个模型表明DNA具有自身互补的结构，根据碱基对原则，DNA 中贮存的遗传信息可以精确地进行复制。他们的理论奠定了分子生物学的基础。DNA双螺旋模型已经预示出了DNA复制的规则，Kornberg于1956年从大肠杆菌（E.coli）中分离出DNA聚合酶I（DNA polymerase I），能使4种dNTP连接成DNA。DNA的复制需要一个DNA作为模板。Meselson与Stahl(1958）用实验方法证明了DNA复制是一种半保留复制。Crick于1954年提出了遗传信息传递的规律，DNA是合成RNA的模板，RNA又是合成蛋白质的模板，称之为中心法则（Central dogma），这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用。经过Nirenberg和Matthai(1963）的努力研究，编码20氨基酸的遗传密码得到了破译。限制性内切酶的发现和重组DNA的克隆（clone）奠定了基因工程的技术基础。正是由于分子生物学的研究对生命科学的发展有巨大的推动作用，生物信息学的出现也就成了一种必然。2001年2月，人类基因组工程测序的完成，使生物信息学走向了一个高潮。由于DNA自动测序技术的快速发展，DNA数据库中的核酸序列公共数据量以每天106bp速度增长，生物信息迅速地膨胀成数据的海洋。毫无疑问，我们正从一个积累数据向解释数据的时代转变，数据量的巨大积累往往蕴含着潜在突破性发现的可能，"生物信息学"正是从这一前提产生的交叉学科。粗略地说，该领域的核心内容是研究如何通过对DNA序列的统计计算分析，更加深入地理解DNA序列，结构，演化及其与生物功能之间的关系，其研究课题涉及到分子生物学，分子演化及结构生物学，统计学及计算机科学等许多领域。生物信息学是内涵非常丰富的学科，其核心是基因组信息学，包括基因组信息的获取，处理，存储，分配和解释。基因组信息学的关键是"读懂"基因组的核苷酸顺序，即全部基因在染色体上的确切位置以及各DNA片段的功能；同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测，然后依据特定蛋白质的功能进行药物设计。了解基因表达的调控机理也是生物信息学的重要内容，根据生物分子在基因调控中的作用，描述人类疾病的诊断，治疗内在规律。它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律"，解释生命的遗传语言。生物信息学已成为整个生命科学发展的重要组成部分，成为生命科学研究的前沿。
第二章生物信息学的研究方法及一般步骤
2.1生物信息学的研究方法
1.建立生物数据库：核酸序列数据库有GenBank,EMBL,DDB等，蛋白质序列数据库有SWISS-PROT,PIR,OWL,NRL3D,TrEMBL等，蛋白质片段数据库有PROSITE,BLOCKS, PRINTS等，三维结构数据库有PDB,NDB,BioMagResBank,CCSD等，与蛋白质结构有关的数据库还有SCOP,CATH,FSSP,3D-ALI,DSSP等，与基因组有关的数据库还有ESTdb, OMIM,GDB,GSDB等，文献数据库有Medline,Uncover等。另外一些公司还开发了商业数据库,如MDL等。生物信息学数据库覆盖面广，分布分散且格式不统一,因此一些生物计算中心将多个数据库整合在一起提供综合服务，如EBI的SRS(Sequence Retrieval System)包含了核酸序列库、蛋白质序列库，三维结构库等30多个数据库及CLUSTALW、PROSITESEARCH等强有力的搜索工具，用户可以进行多个数据库的多种查询。
2.数据库检索：如Blast（Basic Local Alignment Search Tool）、FASTA、SMART、等
3.序列比对：序列对位排列、同源比较、进化分析等；
4.统计模型：如隐马尔科夫模型（hidden Markov model，HMM）--基因识别、药物设计；最大似然模型（maximum likelihood model，ML）、最大简约法（Maximum parsimony，MP )---分子进化分析等；
5.算法：动态规划算法、贝叶斯统计、人工神经网络、遗传算法、蒙特卡洛方法、模拟退火算法、支持向量机等
2.2研究生物信息学的一般步骤
1.确定研究生物学体系。比如：生物芯片数据分析；蛋白质三级结构与功能。
2.确定研究问题。已有哪些计算方面的工作？是否需要实验支持？
3构建生物学/数学模型。例如：ligand结合位点预测，构造特异性识别微点的结构模式和模型。
4.计算方法的选择或开发：HMM，SVM，ANN或新方法。
5.计算结果分析，与同类工具做比较。构建相应数据库/软件/在线网站等、
6.扩展及应用。有哪些用处？
第三章当前生物信息学的主要研究方向
生物信息学在短短十几年间，已经形成了多个研究方向，以下简要介绍一些主要的研究重点。
3.1序列比对
序列比对（Sequence Alignment）的基本问题是比较两个或两个以上符号序列的相似性或不相似性。从生物学的初衷来看，这一问题包含了以下几个意义：从相互重叠的序列片断中重构DNA的完整序列。在各种试验条件下从探测数据（probe data）中决定物理和基因图存贮，遍历和比较数据库中的DNA序列，比较两个或多个序列的相似性，在数据库中搜索相关序列和子序列，寻找核苷酸（nucleotides）的连续产生模式，找出蛋白质和DNA序列中的信息成分。序列比对考虑了DNA序列的生物学特性，如序列局部发生的插入，删除（前两种简称为indel）和替代，序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和，对齐的方法包括全局对齐，局部对齐，代沟惩罚等。两个序列比对常采用动态规划算法，这种算法在序列长度较小时适用，然而对于海量基因序列（如人的DNA序列高达10^9bp），这一方法就不太适用，甚至采用算法复杂性为线性的也难以奏效。因此，启发式方法的引入势在必然，著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的。
3.2蛋白质结构比对和预测
基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性。蛋白质的结构与功能是密切相关的，一般认为，具有相似功能的蛋白质结构一般相似。蛋白质是由氨基酸组成的长链，长度从50到1000~3000AA（Amino Acids），蛋白质具有多种功能，如酶，物质的存贮和运输，信号传递，抗体等等。氨基酸的序列内在的决定了蛋白质的3维结构。一般认为，蛋白质有四级不同的结构。研究蛋白质结构和预测的理由是：医药上可以理解生物的功能，寻找dockingdrugs的目标，农业上获得更好的农作物的基因工程，工业上有利用酶的合成。直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留，同时也包含了较AA序列更多的信息。蛋白质3维结构研究的前提假设是
内在的氨基酸序列与3维结构一一对应（不一定全真），物理上可用最小能量来解释。从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构。同源建模（homology modeling）和指认（Threading）方法属于这一范畴。同源建模用于寻找具有高度相似性的蛋白质结构（超过30%氨基酸相同），后者则用于比较进化族中不同的蛋白质结构。然而，蛋白结构预测研究现状还远远不能满足实际需要。
3.3基因识别非编码区分析研究
基因识别的基本问题是给定基因组序列后，正确识别基因的范围和在基因组序列中的精确位置。非编码区由内含子组成（introns），一般在形成蛋白质后被丢弃，但从实验中，如果去除非编码区，又不能完成基因的复制。显然，DNA序列作为一种遗传语言，既包含在编码区，又隐含在非编码序列中。分析非编码区DNA序列目前没有一般性的指导方法。在人类基因组中，并非所有的序列均被编码，即是某种蛋白质的模板，已完成编码部分仅占人类基因总序列的3~5%，显然，手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子（codon）的频率，一阶和二阶马尔可夫链，ORF（Open Reading Frames），启动子（promoter）识别，HMM（Hidden Markov Model）和GENSCAN，Splice Alignment等等。
3.4分子进化和比较基因组学
分子进化是利用不同物种中同一基因序列的异同来研究生物的进化，构建进化树。既可以用DNA序列也可以用其编码的氨基酸序列来做，甚至于可通过相关蛋白质的结构比对来研究分子进化，其前提假定是相似种族在基因上具有相似性。通过比较可以在基因组层面上发现哪些是不同种族中共同的，哪些是不同的。早期研究方法常采用外在的因素，如大小，肤色，肢体的数量等等作为进化的依据。近年来较多模式生物基因组测序任务的完成，人们可从整个基因组的角度来研究分子进化。在匹配不同种族的基因时，一般须处理三种情况：Orthologous：不同种族，相同功能的基因；Paralogous：相同种族，不同功能的基因；Xenologs：有机体间采用其他方式传递的基因，如被病毒注入的基因。这一领域常采用的方法是构造进化树，通过基于特征（即DNA序列或蛋白质中的氨基酸的碱基的特定位置）和基于距离（对齐的分数）的方法和一些传统的聚类方法（如UPGMA）来实现。
3.5序列重叠群（Contigs）装配
根据现行的测序技术，每次反应只能测出500或更多一些碱基对的序列，如人类基因的测量就采用了短枪（shortgun）方法，这就要求把大量的较短的序列全体构成了重叠群（Contigs）。逐步把它们拼接起来形成序列更长的重叠群，直至得到完整序列的过程称为重叠群装配。从算法层次来看，序列的重叠群是一个NP-完全问题。
3.6遗传密码的起源
通常对遗传密码的研究认为，密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的，并被固定在现代生物的共同祖先里，一直延续至今。不同于这种"冻结"理论，有人曾分别提出过选择优化，化学和历史等三种学说来解释遗传密码。随着各种生物基因组测序任务的完成，为研究遗传密码的起源和检验上述理论的真伪提供了新的素材。
3.7基于结构的药物设计
人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构，功能，相互作用以及与各种人类疾病之间的关系，寻求各种治疗和预防方法，包括药物治疗。基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域。为了抑制某些酶或蛋白质的活性，在已知其蛋白质3级结构的基础上，可以利用分子对齐算法，在计算机上设计抑制剂分子，作为候选药物。这一领域目的是发现新的基因药物，有着巨大的经济效益。3.8生物系统的建模和仿真
随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop，2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络（PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来
解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系统建模主要困难。系统描述和建模方法也需要开创性的发展。
3.9生物信息学技术方法的研究
生物信息学不仅仅是生物学知识的简单整理和数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难，需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的可实现性。
3.10生物图像
没有血缘关系的人，为什么长得那么像呢？
外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？有什么生物学基础？基因是不是相似？
3.11其他
如基因表达谱分析，代谢网络分析；基因芯片设计和蛋白质组学数据分析等，逐渐成为生物信息学中新兴的重要研究领域；在学科方面，由生物信息学衍生的学科包括结构基因组学，功能基因组学，比较基因组学，蛋白质学，药物基因组学，中药基因组学，肿瘤基因组学，分子流行病学和环境基因组学，成为系统生物学的重要研究方法。从现在的发展不难看出，基因工程已经进入了后基因组时代。我们也有应对与生物信息学密切相关的如机器学习，和数学中可能存在的误导有一个清楚的认识。
第四章机器学习与生物信息学
4.1机器学习
机器学习是人工智能研究较为年轻的分支。学习是人类所具有的一种重要的智能行为，但究竟什么是学习，长期以来没有一个明确的定义。同样对于什么叫机器学习？至今我们仍不能给出一个唯一的定义。总的来说，机器学习就是通过学习获得经验，并以经验来修正系统的过程。我们也可给出稍微严格的提法：机器学习是一门研究及其获取新知识和新技能，并识别现有知识的学问，我们这里所说的极其，指的就是电子计算机，但以后可能是种子计算机、光子计算机甚至是神经计算机。
学习是一种复杂的与智能相关的活动，学习的过程是与推理过程紧密联系的。按照学习中使用推理的多少，其学习策略大体可分为4种：机械学习，通过传授学习，类比学习，通过实例学习。学习中所用推理越多，系统的能力也就越强。
环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体的应用中，环境，知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述3部分确定。这三部分也既是机器学习系统的基本结构。
4.2机器学习与生物信息学
机器学习的观点是设计出一种像人类一样可以学习的机器，在复杂的环境中获得经验并从中获得智慧即从而在现有资料中挖掘出所需的信息。生物信息学所研究的课题涉及到从高度复杂的生物系统获得的大量数据中找到我们所需要的数据，因此机器学习对于研究生物信息学相关问题是适用的。
生物信息的大规模给数据挖掘提出了新课题和挑战，需要新的思想的加入。常规的计算机算法仍可以应用于生物数据分析中，但越来越不适用于序列分析问题。究其原因，是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论。西蒙曾给出学习的定义：学习是系统的变化，这种变化可使系统做相同工作时更有效。机器学习的目的是期望能从数据中自动地获得相应的理论，通过采用如推理，模型拟合及从样本中学习，尤其适用于缺乏一般性的理论，"噪声"模式，及大规模数据集.因此，机器学习形成了与常规方
法互补的可行的方法。机器学习使得利用计算机从海量的生物信息中提取有用知识，发现知识成为可能。机器学习方法在大样本，多向量的数据分析工作中发挥着日益重要的作用，而目前大量的基因数据库处理需要计算机能自动识别，标注，以避免即耗时又花费巨大的人工处理方法。早期的科学方法——观测和假设，面对高数据的体积、快速的数据获取率和客观分析的要求，已经不能仅依赖于人的感知来处理了。因而，生物信息学与机器学习相结合也就成了必然。
机器学习中最基本的理论框架是建立在概率基础上的，从某种意义来说，是统计模型拟合的延续，其目的均为提取有用信息。机器学习与模式识别和统计推理密切相关，学习方法包括数据聚类，神经网络分类器和非线性回归等等。同时隐马尔可夫模型也广泛用于预测DNA的基因结构。目前研究重心包括：1）观测和探索有趣的现象。目前ML研究的焦点是如何可视化和探索高维向量数据，一般的方法是将其约简至低维空间，如常规的主成分分析（PCA），核主成分分析（KPCA），独立成分分析（Independent component analysis），局部线性嵌套（LocallyLinear embedding）。2）生成假设和形式化模型来解释现象，大多数聚类方法可看成是拟合向量数据至某种简单分布的混合，在生物信息学中聚类方法已经用于microarray数据分析中，癌症类型分类及其他方向中。机器学习也用于从基因数据库中获得相应的现象解释。
以下是目前机器学习在生物信息学各方面的具体应用：
1.学习算法在序列比对中的应用：
序列比对时生物信息学基础，基本问题是比较两个和两个以上符号序列的相似性。目前英语对比分析的主要方法有：Needliman Wunsch动态规划算法、Smith Waterman算法以及Blast，Fasta等相似性比较程序，通过它们可进行进行两序列、多序列、局部序列乃至完整基因组的比较。
2.学习算法在人类基因组研究中的应用：
人类基因组研究的目的是获取人的整套遗传密码，人类有32亿个碱基，要得到全部遗传密码首先要把人的基因组打碎，测完后再重新拼接。随着人类基因组的研究发展，利用机器学习进行基因识别正被广泛应用，这些方法主要有：神经网络算法、基于规则的方法、决策树和概率推理的等。此外基于隐马尔科夫模型EM训练算法和Viterbi序列分析算法以及FDR（False Discovery Rate）等方法在这一方面也都有成功的应用。
3.学习算法在蛋白质研究中的应用
对蛋白质进行结构预测需要具体问题具体分析，在不用一直条件下对于不同的蛋白质采
取不同的策略。目前利用机器学习方法预测蛋白质空间结构的方法主要有：折叠识别以及神经网络、隐马尔科夫、支持向量机等方法。此外决策树、贝叶斯网络、归纳逻辑编程等方法在蛋白质结构预测中也有成功案例。
4.学习算法在生物芯片研究中的应用
生物芯片检测及分析技术是生物信息学中目前实用性较强的领域。基因芯片是生物芯片中研究最早、最先形成商品化的产品已得到广泛应用。目前很多机器学习方法可直接应用于基因芯片分析，如序列比较方法、贝叶斯神经网络方法和聚类方法等。
总的来说，机器学习加速了生物信息学的进展，也带了相应的问题。机器学习方法大多假定数据符合某种相对固定的模型，而一般数据结构通常是可变的，在生物信息学中尤其如此，因此，有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次，机器学习方法中常采用"黑箱"操作，如神经网络和隐马尔可夫模型，对于获得特定解的内在机理仍不清楚。
第五章结论
由于自动化、高通量的检测手段的不断涌现，分子生物学数据库内的数据增长是几乎以指数倍的。在分析基因组序列、解释模型、检测数据中有用信息、预测和构建分子结构领域，利用计算机作为主要研究手段已经是必须的了。
后基因组时代生物信息学也显得越来越重要，并已经成为分子生物学与计算机科学最重要的结合点。仍存在的问题：1）组件和维持目前的流行数据库；开发出能通过资料学习作为更加切合实际的预测和识别工具。3）从生物学数据库中挖掘有意义的知识，以了解复杂的生命活动过程。
机器学习作为一种具有人工智能的学习算法，在分子生物学结构预测、基因定位、基因组学、蛋白质组学都有了广泛的应用。正是由于机器学习技术解决生物信息学问题的有效性以及节约型，将来生物信息学的研究会随着机器学习理论不断完善和改进。两者相互促进，能够帮助人们解决更多亟待解决的生物学问题。
参考文献
[1]张晓龙,杨艳霞.机器学习在生物信息学中的应用[J].武汉科技大学学报(自然科学版),2005,02:201-204.
[2]姜鑫.生物信息学数据库及其利用方法[J].现代情报,2005,06:185-187.
[3]胡德华,张洁,方平.生物信息学数据库调查分析及其利用研究[J].生物信息学,2005,01:22-25.
[4]张春霆.生物信息学的现状与展望[J].世界科技研究与发展,2000,06:17-20.
[5]张震,李军利.机器学习方法及其在生物信息学中的应用[J].吉首大学学报(自然科学版),2006,04:28-32.
[6]刘太岗.机器学习方法在生物信息学中的应用[D].大连理工大学,2010.
JA V A学生管理系统大作业 课程名称：JA V A编程基础 题目：学生信息管理系统 专业：计算机软件 班级：计算机软件121班 学号：8000612030 学生姓名：李俊楠 完成人数：1人 起讫日期：第十六周至第十八周 任课教师：龚根华职称：副教授 部分管主任： 完成时间：2015-1-2
目录 ------------------------------2 课题设计内容------------------------------3 程序功能简介 需求分析--------------------------------------------------3 总体设计---------------------------------------------------3 模块详细设计---------------------------------------------------4 数据库设计 ------------------------------5 主体内容 ------------------------------6 心得体会 -----------------------------11 参考书籍 -----------------------------12
一：课题设计内容 学生管理系统 学生信息管理系统是学校管理的重要工具，是学校不可或缺的部分。随着在校大学生人数的不断增加，教务系统的数量也不断的上涨。学校工作繁杂、资料众多，人工管理信息的难度也越来越大，显然是不能满足实际的需要，效率也是很低的。并且这种传统的方式存在着很多的弊端，如：保密性差、查询不便、效率低，很难维护和更新等。然而，本系统针对以上缺点能够极大地提高学生信息管理的效率,也是科学化、正规化的管理,与世界接轨的重要条件。所以如何自动高效地管理信息是这些年来许多人所研究的。 二：程序功能简介 2.1 需求分析 本系统需要实现的功能： （1）、管理员对学生信息和课程信息进行增加、删除、修改、查找等操作，对选课信息进行管理，对成绩信息和用户信息进行修改、查找等操作。 （2）、学生对学生信息和成绩信息进行查看，对个人的密码信息进行修改等。 2.2 总体设计 学生信息管理系统主要包括管理员和学生两大模块。管理员模块包括：学生信息管理、课程信息管理、选课信息管理、成绩信息管理、用户信息管理等。用户模块包括：学生信息查看、成绩信息查看、个人信息管理等。系统总体结构如图所示。 总体结构图 2.3 模块详细设计 1、学生信息管理模块 学生信息管理模块包括增加、删除、修改、查询、显示全部等。具体的结构图如图所
第一章 1、3 什么就是人工智能？它的研究目标就是什么？ 人工智能(Artificial Intelligence),英文缩写为AI。它就是研究、开发用于模拟、延伸与扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 研究目标:人工智能就是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理与专家系统等。 1、7 人工智能有哪几个主要学派？各自的特点就是什么？ 主要学派:符号主义,联结主义与行为主义。 1.符号主义:认为人类智能的基本单元就是符号,认识过程就就是符号表示下的符号计算, 从而思维就就是符号计算; 2.联结主义:认为人类智能的基本单元就是神经元,认识过程就是由神经元构成的网络的信 息传递,这种传递就是并行分布进行的。 3.行为主义:认为,人工智能起源于控制论,提出智能取决于感知与行动,取决于对外界复 杂环境的适应,它不需要只就是,不需要表示,不需要推理。 1、8 人工智能有哪些主要研究与应用领域？其中有哪些就是新的研究热点？ 1、研究领域:问题求解,逻辑推理与定理证明,自然语言理解,自动程序设计,专家系统,机器 学习,神经网络,机器人学,数据挖掘与知识发现,人工生命,系统与语言工具。 2、研究热点:专家系统,机器学习,神经网络,分布式人工智能与Agent,数据挖掘与知识发 现。 第二章 2、8 用谓词逻辑知识表示方法表示如下知识: (1)有人喜欢梅花,有人喜欢菊花,有人既喜欢梅花又喜欢菊花。 三步走:定义谓词,定义个体域,谓词表示 定义谓词 P(x):x就是人
生物信息学软件及使 刘吉平 liujiping@https://www.doczj.com/doc/314803077.html, 用概述 生 物秀-专心做生物！ w w w .b b i o o .c o m
生物信息学是一门新兴的交叉学生物信息学的概念： 科，它将数学和计算机知识应用于生物学，以获取、加工、存储、分类、检索与分析生物大分子的信息，从而理解这些信息的生物学意义。 生 物秀-专心做生物！ w w w .b b i o o .c o m
分析和处理实验数据和公共数据，生物信息学软件主要功能 1.2.提示、指导、替代实验操作，利用对实验数据的分析所得的结论设计下一阶段的实验 3.实验数据的自动化管理 4.寻找、预测新基因及其结构、功能 5.蛋白质高级结构及功能预测（三维建模，目前研究的焦点和难点） 生 物秀-专心做生物！ w w w .b b i o o .c o m
功能1. 分析和处理实验数据和公共数据，加快研究进度，缩短科研时间 ?核酸：序列同源性比较，分子进化树构建，结构信息分析，包括基元(Motif)、酶切点、重复片断、碱基组成和分布、开放阅读框（ORF ），蛋白编码区（CDS ）及外显子预测、RNA 二级结构预测、DNA 片段的拼接； ?蛋白：序列同源性比较，结构信息分析（包括Motif ，限制酶切点，内部重复序列的查找，氨基酸残基组成及其亲水性及疏水性分析)，等电点及二级结构预测等等； ?本地序列与公共序列的联接，成果扩大。 生 物秀-专心做生物！ w w w .b b i o o .c o m
Antheprot 5.0 Dot Plot 点阵图 Dot plot 点阵图能够揭示多个局部相似性的复杂关系 生 物秀-专心做生物！ w w w .b b i o o .c o m
“工业机器人”设计大作业 作品题目：货物装卸机器人 专业：机械设计制造及其自动化 姓名：班级：学号： 姓名：班级：学号： 姓名：班级：学号： 指导教师：陈明
1 前言 货物装卸作业是指用一种设备握持工件，是指从一个加工位置移到另一个加工位置。货物装卸机器人可安装不同的末端执行器以完成各种不同形状和状态的工件货物装卸工作，大大减轻了人类繁重的体力劳动。目前世界上使用的货物装卸机器人愈10 万台，被广泛应用于机床上下料、冲压机自动化生产线、自动装配流水线、码垛货物装卸、集装箱等的自动货物装卸。部分发达国家已制定出人工货物装卸的最大限度，超过限度的必须由货物装卸机器人来完成。装卸货物装卸是物流的功能要素之一，在物流系统中发生的频率很高 2 设计方案论证 本课题通过对货物装卸机器人工作对象及工作场所的分析研究，深入了解其工作是 如何进行，各部分零部件应该如何运行以及如何紧密配合，先确定其总体结构再对主要 零部件进行设计计算确定其尺寸大小以及确定电机型号。 2.1 基本思想 （1）设计要考虑要求和工作环境的限制。 （2）考虑到货物装卸货物时所需要精确度不是很高，为了简化结构，境地成本，采用 角铁焊接结构。 （3）为了满足设计要求，须设计三个独立的电机驱动系统，各部分之间通过计算 机控制、协调工作。 （4）本次设计只是该题目的机械部分，而对应控制部件的考虑较少。 3 仓库货物装卸机器人的设计计算 3.1 货物装载伸缩装置的设计 3.1.1 确定传动方案 我们所学的传动方式有以下几种：带传动、链传动、齿轮传动、蜗轮蜗杆传动和钢 丝绳传动等，一般地说，啮合传动传递功率的能力高于摩擦传动；蜗轮传动工作的发热 情况较为严重，因而传动的功率不宜过大；摩擦轮传动由于必须有足够的压紧力，故而 在传递同一圆周力时，其压轴力比齿轮传动的大几倍，因而不宜用于大功率传动。带传
北京理工大学继续教育学院夜大 2009年上半年 专业层次：电子商务专科 《管理学》期末考试卷（A卷） （卷面满分100分） 班级：姓名：学号：成绩: 案例一：王工程师为什么要走 助理工程师王一明，一个重点大学的高材生，毕业后工作已7年，于3年前应聘到一 家大厂负责技术工作，工作勤恳负责，技术能力强，很快就成为厂里有口皆碑的“四大金刚” 之一，名字仅排在工厂技术部主管张工之后。然而，工资却同仓库管理人员不相上下，夫妻小 孩三口尚住在来时住的那间平房里。对此，他心中时常有些不平。 胡厂长，一个有名的识才老厂长，“人能尽其才，物能尽其用，货能畅其流”的孙中山先生名言，在各种公开场合不知被他引述了多少遍，实际上他也是这样做了。3年前， 王一明来报到时，门口用红纸写的“热烈欢迎王一明工程师到我厂工作”几个不凡的红色大 字，是胡厂长亲自吩咐人安排的，并且交待要把“助理工程师”的“助理”两字去掉。这确实 使王一明当时春风不少，工作更卖劲。 两年前，厂里有指标申报工程师，王一明能满足申报条件，但名额却让给一个没有文凭、工作平平的老同志。他想问一下厂长，谁知，他未去找厂长，厂长却先来找他：“王工，你年轻，机会有的是”。去年，他想反映一下工资问题，这问题确实重要，来这里其中一个目的不就是想得高一点工资，提高一下生活待遇吗？但是几次想开口，都没有勇气讲出来。因为厂长不仅在生产会上大夸他的成绩，而且，有几次外地人来学习，胡厂长当着客人的面赞扬他：“王工是我们厂的技术骨干，是一个有创新的…” 最近，厂里新建好的一批职工宿舍，王一明决心趁这个机会要反映一下住房问题，谁知 道这次胡厂长又先找到他，还是像以前一样，笑着拍拍他的肩膀：“王工，厂里有意培养你入
模式识别大作业 班级 021252 姓名 谭红光 学号 02125128 1.线性投影与Fisher 准则函数 各类在d 维特征空间里的样本均值向量： ∑∈= i k X x k i i x n M 1 ，2,1=i (1) 通过变换w 映射到一维特征空间后，各类的平均值为： ∑∈= i k Y y k i i y n m 1，2,1=i (2) 映射后，各类样本“类内离散度”定义为： 22 ()k i i k i y Y S y m ∈= -∑，2,1=i (3) 显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离 散度越小越好。因此，定义Fisher 准则函数： 2 1222 12||()F m m J w s s -= + (4) 使F J 最大的解* w 就是最佳解向量，也就是Fisher 的线性判别式. 从 )(w J F 的表达式可知，它并非w 的显函数，必须进一步变换。 已知： ∑∈= i k Y y k i i y n m 1，2,1=i , 依次代入上两式，有： i T X x k i T k X x T i i M w x n w x w n m i k i k === ∑∑∈∈)1 (1 ，2,1=i (5) 所以：2 21221221||)(||||||||M M w M w M w m m T T T -=-=- w S w w M M M M w b T T T =--=))((2121 (6)
其中：T b M M M M S ))((2121--= (7) b S 是原d 维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大 小，因此，b S 越大越容易区分。 将(4.5-6) i T i M w m =和(4.5-2) ∑∈= i k X x k i i x n M 1代入(4.5-4)2i S 式中： ∑∈-= i k X x i T k T i M w x w S 22)( ∑∈?--? =i k X x T i k i k T w M x M x w ))(( w S w i T = (8) 其中：T i X x k i k i M x M x S i k ))((--= ∑=，2,1=i (9) 因此：w S w w S S w S S w T T =+=+)(212221 (10) 显然： 21S S S w += (11) w S 称为原d 维特征空间里，样本“类内离散度”矩阵。 w S 是样本“类内总离散度”矩阵。 为了便于分类，显然 i S 越小越好，也就是 w S 越小越好。
IRB1600型机器人的运动学分析及仿真
目录 1.引言................................................................................................................ - 2 - 1.1 ABB公司简介.................................................................................... - 3 - 1.2ABB发展历史 .................................................................................... - 4 - 2. IRB1600 ........................................................................................................ - 5 - 2.1 IRB1600的资料................................................................................. - 6 - 2.2建立基于D-H方法的连杆坐标系 ................................................... - 8 - 2.3建立六自由度点焊机器人的运动学方程....................................... - 10 - 3. 虚拟样机的建立........................................................................................ - 12 - 3.1 导入.................................................................................................. - 12 - 3.2 添加约束副...................................................................................... - 13 - 3.3 基于ADAMS的机器人运动学仿真 ............................................. - 14 - 4. 结语............................................................................................................ - 18 - 5. 参考资料.................................................................................................... - 19 -
期末大作业 一、资料：A 公司某年的相关资料如下：（20分） A 公司盈亏临界点的月销售额为50000元，在其他指标不变而固定成本增加5000元时，为了实现保本需增加销售额8000元。 要求：（1）计算原固定成本总额度 （2）计算边际贡献率 （3）计算变动成本率 二、资料：K 企业生产经营甲产品，单价为250元/台，单位变动成本为160元/台，固定成本为15万元。2007年实现销售量4000台，获得利润总额20万元。经调研分析企业按25%的销售利润率预测2008年企业的目标利润基数，预计20×8年企业销售收入为120万元。（20分） 要求：（1）根据资料确定该企业的目标利润； （2）实现目标利润需要采取的各单项措施。 三、资料：乙企业20×7年12月31日简略式资产负债表如表所示： 20×8年计划销售额将达到480 000元，假定其他条件不变，仍按基期股利发放率支付股利，按计划提取折旧12 000元，其中35%用于当年更新改造支出；厂房设备能力已经达到饱和状态，有关零星资金需要量为7 000元。（20分） 要求：试用销售百分比法预测20×8年的追加资金需要量。 四、资料：假设W 公司有5000小时剩余生产能力，可用来生产A 产品或B 产品，有关资要求：分析生产哪种产品？
五、资料：大众制衣公司计划从银行借款430000元购置一台新设备，预计可使用5年，期末残值30000元，使用该设备可以使大众制衣公司每年增加收入360000元，每年的付现营业成本为200000元，企业采用直线法计提折旧，银行借款利率为16%。（20分） 要求：试用净现值法分析该投资方案是否可行。
统计机器学习大作业 学院：支持向量机理论 学院：电子工程 姓名：宋强 学号：1202121332
1 统计机器学习理论 目前机器学习的一个比较热门的方向是统计机器学习（另外一个可能是图模型，按照Jordan的说法是统计机器学习属于频率主义，而图模型属于贝叶斯主义），对于每一个做统计机器学习的研究者来说，他们大致可以分为两类：一类做统计学习理论相关工作，如泛化界、约简或一致性；一类做优化算法，如支持向量机、Boosting等。作为一个纯统计机器学习的学者来说，我想这两块内容都得了解。优化算法的门槛低点，可能比较容易上手，了解他们并不太难，比如支持向量机本质上是求解一个RKHS上的二次优化问题，Boosting是函数空间上的梯度下降优化问题。统计学习理论的门槛高点，需要的基础数学知识多点，离计算机出生的人比较远，因而常常使人望而生畏。最近本人对统计学习理论这块做了些整理，发现其实这块东西并非如想象的那么难，他们的本质无非是概率集中不等式在机器学习上的应用，下面以泛化界为例讲一下自己对那块内容的理解。 Talagrand(1996)说过: "A random variable that depends (in a "smooth way") on the influence of many independent variables(But not too much on any of them) is essentially constant". 中文上的意思是，依赖于许多独立随机变量的随机变量本质上是个常量，举个例子，经验风险就是一个依赖于一个随机训练样本集合的随机变量，因而经验风险本质上应该是个常量。正因为如此，这个随机变量离开它均值的概率就以指数形势衰减，因此这就是泛化界中常见的如下论述：“以1-\sigma的概率，作如下论断”的由来。目前使用的各种泛化界分析工具本质上正是基于这个原理，下面介绍下目前主流的三种泛化界分析方法，VC维，R复杂度和稳定性分析。 为了叙述清楚，如一个游戏开始之前需要设置游戏规则一样，这里简单介绍一下机器学习问题设置。统计机器学习研究的问题一般是，给定一堆带标签的训练样本集合，需要从训练集合中学习出一个预测器来，对新的样本进行预测，使得预测结果尽可能的接近它的真实标签。相应的，对统计机器学习理论分析，我们需要做如下一些假设：假设训练样本集合是从一个未知但固定的分布中独立同分布的抽取出来，学习的目标是根据这样一个样本集合，从一个事先给定的分类器集合中挑选出一个分类器，使得分类器的对从同一个分布中随机抽取的样本在给定的一个损失评价下的风险最小。一个需要特别注意的是，在统计学习泛化界分析时，分类器的风险常常被认为是随机样本集上的一个随机变量，这样的随机风险集合(以分类器为索引)在统计上被叫做经验过程。
机器人测控技术 大作业 题目: 电气工程学院 学院名称：电气工程学院 专业班级：自动 学生姓名： 学号： 2015 指导教师：张世杰
考虑如图1所示的双关节刚性机械臂，试分析以下问题： 图1 双关节机械臂示意图 （1） 用D-H 建模法建立上述机械臂的运动学方程； （2） 忽略重力、摩擦力和干扰项的情况下，建立该机械臂的动力学 方程； （3） 如果取11l =，20.8l =，120.5m m ==，初始状态： 11220.100.10q q q q ???? ????????=?????????? ?? 试设计一个PD 控制器，让其跟踪一条如下指定的曲线： 12sin 2sin 2d d q t q t ππ=?? =?，并利用Matlab 中给出仿真结果。 解： Y 0 X 0 X 1 Y 1 X 2 Y2
①建立坐标系 a 、机座坐标系｛0｝ b 、杆件坐标系｛i ｝ ②确定参数 d i ——相邻坐标系x 轴之间的距离； θi ——相邻坐标系x 轴之间的夹角； l i ——相邻坐标系z 轴之间的距离； αi ——相邻坐标系z 轴之间的夹角。 ③相邻杆件位姿矩阵 M 01=Rot(z,θ1)·Trans(l 1,0,0) = 1 00 01000011 011θθθθc s s c - 1 000010000101 l 001 = 1 01001 1011 1 1011θθθθθθs L c s c L s c - 同理可得： M 12=Rot(z,θ2)·Trans(l 2,0,0) = 1 01002 20222 2022θθθθθθs L c s c L s c - M 23（h ）=Rot(z,θ3)·Trans(l 3,0,0) = 1 01003 30333 3033θθθθθθs L c s c L s c -
欧阳健的管理方式 蓝天技术开发公司由于在一开始就瞄准成长的国际市场，在国内率先开发出某高技术含量的产品，其销售额得到了超常规的增长，公司的发展速度十分惊人。然而，在竞争对手如林的今天，该公司和许多高科技公司一样，也面临着来自国内外大公司的激烈竞争。当公司经济上出现了困境时，公司董事会聘请了一位新的常务经理欧阳健负责公司的全面工作。而原先的那个自由派风格的董事长仍然留任。欧阳健来自一家办事古板的老牌企业，他照章办事，十分古板，与蓝天技术开发公司的风格相去甚远。公司管理人员对他的态度是：看看这家伙能呆多久！看来，一场潜在的“危机”迟早会爆发。 第一次“危机”发生在常务经理欧阳健首次召开的高层管理会议上。会议定于上午9点开始，可有一个人姗姗来迟，直到9点半才进来。欧阳健厉声道：“我再重申一次，本公司所有的日常例会要准时开始，谁做不到，我就请他走人。从现在开始一切事情由我负责。你们应该忘掉老一套，从今以后，就是我和你们一起干了。”到下午4点，竟然有两名高层主管提出辞职。 然而，此后蓝天公司发生了一系列重大变化。由于公司各部门没有明确的工作职责、目标和工作程序，欧阳健首先颁布了几项指令性规定，使已有的工作有章可循。他还三番五次地告诫公司副经理，公司一切重大事务向下传达之前必须先由他审批，他抱怨下面的研究、设计、生产和销售等部门之间互相扯皮，踢皮球，结果使蓝天公司一直没能形成统一的战略。 欧阳健在详细审查了公司人员工资制度后，决定将全体高层主管的工资削减10％，这引起公司一些高层主管向他辞职。 研究部主任这样认为：“我不喜欢这里的一切，但我不想马上走，因为这里的工作对我来说太有挑战性了。” 生产部经理也是个不满欧阳健做法的人，可他的一番话颇令人惊讶：“我不能说我很喜欢欧阳健，不过至少他给我那个部门设立的目标我能够达到。当我们圆满完成任务时，欧阳健是第一个感谢我们干得棒的人。” 采购部经理牢骚满腹。他说：“欧阳健要我把原料成本削减20％，他一方面拿着一根胡萝卜来引诱我，说假如我能做到的话就给我油水丰厚的奖励。另一方面则威胁说如果我做不到，他将另请高就。但干这个活简直就不可能，欧阳健这种‘大棒加胡萝卜’的做法是没有市场的。从现在起，我另谋出路。” 但欧阳健对被人称为“爱哭的孩子”销售部胡经理的态度则让人刮目相看。以前，销售部胡经理每天都到欧阳健的办公室去抱怨和指责其他部门。欧阳健对付他很有一套，让他在门外静等半小时，见了他对其抱怨也充耳不闻，而是一针见血地谈公司在销售上存在的问题。
题目：人工智能 1.谈谈你对本课程学习过程中的心得体会与建议？ 人工智能是研究如何利用计算机来模拟人脑所从事的感知、推理、学习、思考、规划等人类智能活动，来解决需要用人类智能才能解决的问题，以延伸人们智能的科学。掌握人工智能的基本概念、基本原理、知识的表示、推理机制和求解技术，以及机器学习的技术方法，掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。 人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普通人认可的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。 2.《人工智能》课程设计,从以下5个题目中任选其一作答。 《人工智能》课程设计 题目三：深度优先搜索算法
要求：（1）撰写一份word文档，里面包括（算法思路、算法程序框图、主要函数代码）章节。 （2）算法思路：简单介绍该算法的基本思想，至少100字。 （3）算法程序框图：绘制流程图或原理图，从算法的开始 到结束的程序框图。 （4）主要函数代码：列出算法的具体代码。 （5）简单描述在人工智能的哪些领域需要使用深度优先搜 索算法。 答：深度优先搜索是图论中的经典算法，利用深度优先搜索算法可以产生目标图的相应拓扑排序表，利用拓扑排序表可以方便的解决很多相关的图论问题，如最大路径问题等等。一般用堆数据结构来辅助实现DFS算法。 1.深度优先遍历图算法步骤： （1）访问顶点v； （2）依次从v的未被访问的邻接点出发，对图进行深度优先遍历；直至图中和v有路径相通的顶点都被访问； （3）若此时图中尚有顶点未被访问，则从一个未被访问的顶点出发，重新进行深度优先遍历，直到图中所有顶点均被访问过为止。 上述描述可能比较抽象，举个实例： DFS在访问图中某一起始顶点v后，由v出发，访问它的任一邻接顶点w1；再从w1出发，访问与w1邻接但还没有访问过的顶点w2；然后再从w2出发，进行类似的访问，......如此进行下去，直至到达
机器人视觉论文 论文题目：基于opencv的手势识别院系：信息科学与工程学院 专业：信号与信息处理 姓名：孙竟豪 学号：21160211123
摘要 文中介绍了一种易于实现的快速实时手势识别算法。研究借助计算机视觉库OpenCV和微软Visual Studio 2008 搭建开发平台，通过视频方式实时提取人的手势信息，进而经二值化、膨胀腐蚀、轮廓提取、区域分割等图像处理流程甄别出当前手势中张开的手指，识别手势特征，提取出人手所包含的特定信息，并最终将手势信息作为控制仪器设备的操作指令，控制相关设备仪器。 0、引言 随着现代科技的高速发展及生活方式的转变，人们越发追求生活、工作中的智能化，希望享有简便、高效、人性化的智能操作控制方式。而伴随计算机的微型化，人机交互需求越来越高，人机友好交互也日益成为研发的热点。目前，人们已不仅仅满足按键式的操作控制，其目光已转向利用人体动作、表情变化等更加方便、友好、直观地应用智能化交互控制体系方面。近年来，国内外科学家在手势识别领域有了突破性进展。1993 年B．Thamas等人最先提出借助数据手套或在人手粘贴特殊颜色的辅助标记来进行手势动作的识别，由此开启了人们对手势识别领域的探索。随后，手势识别研究成果和各种方式的识别方法也纷然出现。从基于方向直方图的手势识别到复杂背景手势目标的捕获与识别，再到基于立体视觉的自然手势识别，每次探索都是手势识别领域内的重大突破。 1 手势识别流程及关键技术 本文将介绍一种基于 OpenCV 的实时手势识别算法，该算法是在现有手势识别技术基础上通过解决手心追踪定位问题来实现手势识别的实时性和高效性。 基于 OpenCV 的手势识别流程如图 1 所示。首先通过视频流采集实时手势图像，而后进行包括图像增强、图像锐化在内的图像预处理，目的是提高图像清晰度并明晰轮廓边缘。根据肤色在 YCrCb 色彩空间中的自适应阈值对图像进行二值化处理，提取图像中所有的肤色以及类肤色像素点，而后经过膨胀、腐蚀、图像平滑处理后，祛除小块的类肤色区域干扰，得到若干块面积较大的肤色区域; 此时根据各个肤色区域的轮廓特征进行甄选，获取目标手势区域，而后根据目标区域的特征进行识别，确定当前手势，获取手势信息。
网络教育学院 《管理学》课程大作业 学习中心：奥鹏远程教育济南学习中心（直属）[25]层次：专升本 专业：电气工程及其自动化 年级： 学号： 姓名： 完成日期：
题目五：你认为什么情况下采用矩阵型组织结构比较好？ 答： 矩阵型组织是一种混合体，是职能型组织结构和项目型组织结构的混合。它既有项目型组织结构注重项目和客户（业主）的特点，也保留了职能型组织结构的职能特点。这种结构将职能与任务很好地结合在一起，既可满足对专业技术的要求，又可满足对每一项目任务快速反应的要求矩阵制是将按职能划分的部门与按产品或按项目划分的小组（项目组）结合成矩阵型的一种组织结果形式。 矩阵制是将按职能划分的部门与按产品或按项目划分的小组（项目组）结合成矩阵型的一种组织结果形式。这种组织结构形式多用于项目管理。 例如研发型企业、软件公司、工程企业。矩阵型就是一方面服从项目的管理，一方面服从公司各个职能部门的管理，形成一种矩阵。 特点：加强了横向联系，组织的机动性加强，集权和分权相结合，专业人员潜能得到发挥，能培养各种人才。 距阵型组织是一种很有效的组织结构，在西方国家被普遍采用。引进这种组织结构，对处在快速发展中的我国企业来说，具有非常现实的意义。然而一物有一利必有一弊，矩阵结构的缺点是：项目负责人的责任大于权力，因为参加项目的人员都来自不同部门，隶属关系仍在原单位，只是为"会战"而来，所以项目负责人对他们管理困难，没有足够的激励手段与惩治手段，这种人员上的双重管理是矩阵结构的先天缺陷；。 学习心得 答： 。 管理作为一种实践活动，可以说和人类的历史一样悠久。没有学习管理学之前，一直以为管理就是小到对自身日常生活的计划，大到国家对各个事物的领导与规划。学习了管理学后才开始明白，管理学上所研究的管理是指发生在组织中的管理活动，是组织中的管理者为了实现组织的目标对组织成员施加的影响的行为。 管理活动贯穿与生活的方方面面，管理已经成为现代社会最重要的一项活动。而且随着社会的发展，管理活动变得越来越重要，离开了管理，国家将无法
Adaptive Evolutionary Artificial Neural Networks for Pattern Classification 自适应进化人工神经网络模式分类 Abstract—This paper presents a new evolutionary approach called the hybrid evolutionary artificial neural network (HEANN) for simultaneously evolving an artificial neural networks (ANNs) topology and weights. Evolutionary algorithms (EAs) with strong global search capabilities are likely to provide the most promising region. However, they are less efficient in fine-tuning the search space locally. HEANN emphasizes the balancing of the global search and local search for the evolutionary process by adapting the mutation probability and the step size of the weight perturbation. This is distinguishable from most previous studies that incorporate EA to search for network topology and gradient learning for weight updating. Four benchmark functions were used to test the evolutionary framework of HEANN. In addition, HEANN was tested on seven classification benchmark problems from the UCI machine learning repository. Experimental results show the superior performance of HEANN in fine-tuning the network complexity within a small number of generations while preserving the generalization capability compared with other algorithms. 摘要——这片文章提出了一种新的进化方法称为混合进化人工神经网络(HEANN),同时提出进化人工神经网络(ANNs)拓扑结构和权重。进化算法(EAs)具有较强的全局搜索能力且很可能指向最有前途的领域。然而,在搜索空间局部微调时，他们效率较低。HEANN强调全局搜索的平衡和局部搜索的进化过程，通过调整变异概率和步长扰动的权值。这是区别于大多数以前的研究，那些研究整合EA来搜索网络拓扑和梯度学习来进行权值更新。四个基准函数被用来测试的HEANN进化框架。此外,HEANN测试了七个分类基准问题的UCI机器学习库。实验结果表明在少数几代算法中，HEANN在微调网络复杂性的性能是优越的。同时，他还保留了相对于其他算法的泛化性能。 I. INTRODUCTION Artificial neural networks (ANNs) have emerged as a powerful tool for pattern classification [1], [2]. The optimization of ANN topology and connection weights training are often treated separately. Such a divide-and-conquer approach gives rise to an imprecise evaluation of the selected topology of ANNs. In fact, these two tasks are interdependent and should be addressed simultaneously to achieve optimum results. 人工神经网络(ANNs)已经成为一种强大的工具被用于模式分类[1],[2]。ANN 拓扑优化和连接权重训练经常被单独处理。这样一个分治算法产生一个不精确的评价选择的神经网络拓扑结构。事实上,这两个任务都是相互依存的且应当同时解决以达到最佳结果。
2016年第一学期《管理学原理》大作业（完成） 第一大题：简答题 1、简述管理环境的分类。 2、简述权变理论的主要观点 3、简述两种不同的社会责任观。 4、简述德尔菲法和头脑风暴法的异同点。 5、简述计划编制的程序。 6、简述扁平式组织结构和锥形组织结构形式的优缺点。 7、简述克服沟通障碍的途径。 8、简述直接控制和间接控制的优劣。 9、简述管理创新的内容。 第二大题：论述题 1、试论述管理的二重性原理 2、联系实际，谈谈建立学习型组织的主要途径。 3、联系实际，谈谈如何加强管理伦理建设。 4、结合实际，谈谈你对目标管理的看法。 5、结合实际，谈谈控制的过程及其注意事项。 6、假如你是一个企业的管理者，你将如何对待管理创新。 第三大题：案例分析题 案例1：“菁菁校园”是一所新型的私立学校，专门为大学生、高中生提供暑期另类课程如登山、探险、航海等集体项目的专业培训，以及为在职人员提供团队合作课程培训。该学校的创办人刘岩是个成功的企业家，他酷爱登山，并坚信这是一项锻炼个人品质，同时学习集体协作精神的完美运动。在刘岩看来，这个学校是个非营利性的企业，但是无论如何得自己维持自己的运转。因为如果没有充裕的资金，学校就不可能发展。学校开办以来，学生的数目逐年增多。学校的课程主要分为两类，一类是普通课程，一类是特殊课程。普通课程是学校的起家项目，针对大中学生的集体训练开设。每年暑假，总有大批学生报名参加登山、探险等充满新鲜感的这类项目。虽然这部分的收入占了整个学校全部营业收入的70％，但是这种项目并不盈利。特殊课程是应一些大公司的要求，专门开办的短期团队合作培训。这部分课程是最近才设立的，深受各大公司经理们的欢迎，在非正式的反馈中，他们都认为在这些课程里获益很多，他们所属的公司也愿意继续扩大与“菁菁校园”的合作。同时，这类课程为学校带来丰厚的利润。但是，在实施特殊课程的时候，刘岩和他的好友们也有疑虑：这种课程的商业化倾向非常重，如果过分扩张，可能会破坏“菁菁校园”的形象。另外，特殊课程的学员大多是中高级经理，他们的时间非常紧张，课程一旦设立下来，就不能改动，因此总会遇到与普通课程的冲突。在学校成立初期，刘岩并没有特别关注管理问题，他觉得很简单：每年暑假开始，学校就招生开课，到暑假结束就关门。但是随着知名度的提高和注册学生的不断增多，学校变得日益庞大复杂，管理问题和财政状况开始受到关注。最明显的是学校暑期过于繁忙，设施不足，而淡季则设备人员闲置。他还发现无法找到足够的技术熟练、经验丰富的从事短期工作的指导老师，如果要常年聘请他们花销实在太大。与此同时，在社会上出现了相似的竞争者，学校面临内外两方面的评估和战略方向的重新确定。 请结合案例分析： 1、“菁菁校园”的未来应如何定位？ 2、“菁菁校园”的项目该如何发展？
机器学习大作业 -标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
机器学习大作业 支持向量机是基于统计学习理论的结构风险最小化原则的，它将最大分 界面分类器思想和基于核的方法结合在一起，表现出了很好的泛化能力。由 于SVM方法不仅考虑了对渐进性能的要求，而且在现有有限信息的条件下得 到最优结果，并且能够根据有限的样本信息在模型的复杂性和学习能力之间 寻求最佳折中，从而获得最好的推广能力。SVM主要是应用于分类，简单而言，就是如果有一堆已经分好类的东西（可是分类的依据是未知的），当有 新的未知数据进来时，SVM能够预测这个新的数据要分到哪一堆去。 第一章理论知识 1.1最优间隔分类器 SVM的主要思想是针对两类分类问题，在高维空间寻找一个最优分类超 平面作为分类平面，来保证最小的分类错误率。我们的目标是寻找一个超平面，使得离超平面比较近的点有更大的间距，也就是说，我们不考虑所有的 点都必须远离超平面，我们关心的只是想要求得的超平面能够使得所有点中 离它最近的点具有最大间距。形象的说，我们将上面的图看作是一张纸，我 们要找一条折线，按照这条折线折叠后，离折线最近的点的间距比其他折线 都要大。形式化表示为： 上面描述的这种情况是建立在样例线性可分的假设上，当样例线性不可分时，可以引入松弛变量，它允许在一定程度上违反间隔约束。我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分隔超平面。 看下面两张图：
1.计算生物信息学（Computational Bioinformatics）是生命科学与计算机科学、数理科学、化学等领域相互交叉而形成的一门新兴学科，以生物数据作为研究对象，研究理论模型和计算方法，开发分析工具，进而达到揭示这些数据蕴含的生物学意义的目的。 2.油包水PCR (Emulsion PCR) : 1) DNA片段和捕获磁珠混合; 2) 矿物油和水相的剧烈震荡产生油包水环境; 3) DNA片段在油包水环境中扩增;4) 破油并富集有效扩增磁珠。 3.双碱基编码技术：在测序过程中对每个碱基判读两遍，从而减少原始数据错误，提供内在的校对功能。代表测序方法：solid 测序。 4.焦磷酸测序法：焦磷酸测序技术是由4种酶催化的同一反应体系中的酶级联化学发光反应,适于对已知的短序列的测序分析,其可重复性和精确性能与SangerDNA测序法相媲美,而速度却大大的提高。焦磷酸测序技术不需要凝胶电泳,也不需要对DNA样品进行任何特殊形式的标记和染色,具备同时对大量样品进行测序分析的能力。在单核苷酸多态性、病原微生物快速鉴定、病因学和法医鉴定研究等方面有着越来越广泛的应用。例如：454测序仪 ：用蛋白质序列查找核苷酸序列。 :STS是序列标记位点（sequence-tagged site）的缩写，是指染色体上位置已定的、核苷酸序列已知的、且在基因组中只有一份拷贝的DNA短片断，一般长200bp －500bp。它可用PCR方法加以验证。将不同的STS依照它们在染色体上的位置依次排列构建的图为STS图。在基因组作图和测序研究时，当各个实验室发表其DNA测序数据或构建成的物理图时，可用STS来加以鉴定和验证，并确定这些测序的DNA片段在染色体上的位置；还有利于汇集分析各实验室发表的数据和资料，保证作图和测序的准确性。 :表达序列标签技术（EST，Expressed Sequence Tags）EST技术直接起源于人类基因组计划。 ：生物信息学数据库。UniGene试图通过计算机程序对GeneBank中的序列数据进行适当处理，剔除冗余部分，将同一基因的序列，包括EST序列片段搜集到一起，以便研究基因的转录图谱。UniGene除了包括人的基因外，也包括小鼠、大鼠等其它模式生物的基因。 :开放阅读框（ORF，open reading frame )是基因序列的一部分，包含一段可以编码蛋白的碱基序列，不能被终止子打断。编码一个蛋白质的外显子连接成为一个连续的ORF。 10.分子钟检验：只有分子钟的，没听过分子钟检验。一种关于分子进化的假说，认为两个物种的同源基因之间的差异程度与它们的共同祖先的存在时间(即两者的分歧时间)有一定的数量关系