当前位置：文档之家 › 矩阵打分机制

矩阵打分机制

  • 格式：pdf
  • 大小：243.69 KB
  • 文档页数：6

1． 2 1． 2． 1 面
计算方法 矩阵打分的方法 ， 均取得了较好的预测效果。该方法分为以下 4 步来介绍：
［9 ］
近年来矩阵打分的方法已被大量的应用于转录因子的结合位点的预测 、 超二级结构的预测等方
［8 － 12 ］
第一： 为了减小样本统计引起的误差， 引进伪计数 P ij =
， 位置概率表示为： （ 1）
［1 － 3 ］
。
［3 － 6 ］
在过去的几年里， 已经提出了许多预测膜蛋白类型的方法 都是由 Chou 等人在 1999 年整理给出的 个类别。2007 年 Chou 和 Shen
［7 ］ ［2 ］
， 这些方法所使用的数据库分为 5 类，
。 直到 2005 年 Chou 等人将数据库增大［5］， 将膜蛋白分为 6
图2
6 种类型膜蛋白与脂双层结合关系示意图
Fig． 2 Schematic drawing of the six types of membrane proteins
第4 期
王婷等 表2
使用支持向量机的方法预测膜蛋白的类型
243
6 种类型膜蛋白训练集和独立检验集数据分布
Tab． 2 Training and testing datasets of the six membrane protein types Type Single － pass type I Single － pass type II Multipass Lipid － chain anchor GPI anchor Peripheral Overall Training dataset 372 151 1903 104 68 30 2628 Independent testing dataset 462 144 2402 67 83 2 3160
P0j 表示氨基酸 j 出现的背景概率。 其中， 由此得到一个 21 × L 的矩阵。 第三： 对于任意一段给定的序列片段， 运用位置权重矩阵对该序列片段进行打分 ， 打分函数（ S） 可以 表示为：
L
S = W ij
i =1
（ 3）
对 8 类膜蛋白， 由训练集可以得到 8 个标准打分矩阵， 对于任意一待测序列片段可以由 （ 3 ） 式得到 8 个打分值。 序列片段的截取方法： 由于膜蛋白序列 N 端和 C 端包含的序列信息不同， 因此从序列两端分别截取 序列片段进行打分， 如果长度不足以空位补齐。 首先对 8 类膜蛋白的训练集和检验集的序列长度进行 统计。所有序列长的最大值和最小值分别是 5000 个氨基酸长和 50 个氨基酸长， 训练集和检验集的平均 还对膜蛋白序列长 序列长分别是 522 个氨基酸长和 514 个氨基酸长。其次为了寻找最佳的序列片段长 ， 度进行了统计分析， 发现有 90% 以上序列的长度都大于 200 个氨基酸长。 分别从序列的 N 端和 C 端截 60 、 70 ……个氨基酸片段进行打分， 取 50 、 通过计算， 当选取包含 60 个氨基酸的序列片段长时预测结果 最佳 （ 计算结果见后面的表 4 ） 。 1． 2． 2 离散增量算法 离散增量算法（ ID） 是一种公认的较好识别分类器。 该方法已经成功应用于亚细胞定位 、 蛋白质结构 13 － 16 ］ 。 n1 ， 预测和蛋白质超家族预测等方面［ 定义如下： 在 S 维状态空间， 两个 S 维离散源 X： ［ n2 ， ．．．， ns ］和 Y： ［ m1 ，m2 ， ．．．， ms］ ，X 与 Y 的离散量分别定义为： D（ X ） = D（ n1 ， n2 ， …， n s ） = NLog b N － n I Log b n I
进一步整理出了 8 类膜蛋白数据库， 这是目前最新也是最具权威性的分
本文就使用了此数据库。膜蛋白的 8 种基本类型： （ 1 ） type I，（ 2 ） type II，（ 3 ） type III，and （ 4 ） 类数据库， type IV transmembranes，（ 5 ） multipass transmembrane，（ 6 ） lipid － chain － anchored membrane，（ 7 ） GPI － anchored membrane，and （ 8 ） peripheral membrane。文中还使用 6 类膜蛋白数据库对计算方法进行了检 验。 本文采用矩阵打分和离散增量的方法直接从氨基酸序列中提取特征参数 ， 将其组合构成的向量直 接输入支持向量机中进行分类预测 ， 结果表明此算法可以获得较好的预测效果 。
1， 2 1 ， 胡秀珍 （ 1 ． 内蒙古工业大学理学院， 010051 ； 呼和浩特， 2 ． 长治职业技术学院， 046000 ） 山西长治，
摘要： 根据膜蛋白的特点对特定的氨基酸片段进行打分， 将打分值与离散增量值共同
作为序列的信息参数， 使用支持向量机的方法对膜蛋白的类型进行预测， 获得了非常好 的预测结果。对 8 类膜蛋白的 Jackknife 检验结果达到了 91 ． 81 % ， 比 Chou 等人使用相 同数据集的结果提高了近 7 个百分点。 另外， 使用同样的方法对 6 类膜蛋白的类型也 作了预测， 结果再次表明该方法对于膜蛋白类型的预测是非常有效的 。
N i / 21 n ij + 槡 Ni + 槡 Ni
i = 1， 2， …， L （ L 为选取的序列片断的长度） ， j 表示 20 种氨基酸和一个空 这里， 以氨基酸为参数时， N i 表示第 i 个位置上所有氨基酸出现的总数 ， N ij 表示第 i 个位置上第 j 种氨基酸出现的频数。 位， 第二： 根据位置概率的定义， 构建位置权重矩阵， 也称为标准打分矩阵： W ij = log P ij P0j （ 2）
。高等生物体细胞内分布着各种亚细胞器， 细胞膜和亚细胞器膜统称为生物膜。 细
胞的能量转换， 信息识别与传递， 物质运送和分配等基本生命现象都与生物膜密切相关 。 生物膜是由蛋 白质， 脂类以及碳水化合物等组成的超分子体系。 膜蛋白是膜功能的主要体现者。 膜蛋白是一类结构 它镶嵌于膜脂的特性使其处于细胞与外界的交界部位， 是细胞执行各种功能的物质基 独特的蛋白质， 础， 且可以形成膜受体、 载体、 酶和抗原等。膜蛋白类型分类是研究膜蛋白功能的基础性环节 ， 也是膜蛋 白功能识别的重要信息来源
i =1 S
（ 6）
M = 。 其中 N = n1 ，
i =1 m =1
S
S
离散源 X 与 Y 的离散增量为： ID（ X ， Y） = D（ X + Y） － D（ X ） － D（ Y） （ 7） Y） ≥ 0 。 这里对数底数 b = 2 ， 离散量的单位为比特。 可以证明离散增量具有非负性， 即 ID（ X ， 离散增 量 是一个生物相似性关系的定量表示 ， 它体现了两个离散源的相似性程度， 离散增量越小， 则两个离散 对 8 类膜蛋白， 给定预测参数后， 由训练集可以构成 8 个标准离散源， 对于任意一条待测膜 源就越相似。 蛋白序列由（ 7 ） 式可以得到 8 个离散增量值。 蛋白质序列上氨基酸的亲疏水性质是影响蛋白质结构和功能的关键因素， 根据氨基酸的亲疏水特征把 20 种氨基酸分为以下 6 类［ 14， 17 － 19］ ： （ 1） 强亲水性类（ R， D， E， N， Q， K， H） ， （ 2） 强疏水性类（ L， I， V， A，M，F） ， （ 3） 弱亲水或弱疏水性类（ S，T，Y，W） ， （ 4） 脯氨酸（ P） ， （ 5） 甘氨酸（ G） ， （ 6） 半胱氨酸（ C） 。 本文分别以膜蛋白序列中氨基酸亲疏水紧邻关联 （ HH） 和氨基酸次邻关联（ A － A） 出现的频数作为 预测参数构成离散源， 计算出离散增量值， 共得到 16 个离散增量值。 1． 2． 3 支持向量机算法（ SVM）
242 1． 1 1． 1． 1 数据库的选取 8 类膜蛋白数据库
内蒙古工业大学学报
2010 年
8 种类型膜蛋白与脂双层结合关系如图 1 所示， 文中使用的 8 类膜蛋 ． 0 版本 ） ， 其中训练集包含 3249 个蛋白质序列， 独立检验集包含 4333 个蛋白质序 列
［20 ］
支持向量机是 Vapnik 等人根据统计学习理论提出的一种新的机器学习方法 胞定位、 蛋白质超家族预测等方面都有应用
［19 ， 21 ， 22 ］
， 在模式识别、 亚细
， 在精度上已经超过传统的学习算法。 支持向量机算
在高维特征空间构造出最优超平面， 法的基本思想是： 用非线性映射把数据映射到一个高维特征空间， 使得超平面与不同类样本集之间的距离最大 ， 从而达到最大的泛化能力， 即由有限的训练集样本得到的 由于支持向量机算法是一个凸优化问题 ， 因此 小的误差能够保证对独立检验集仍保持小的误差 。另外， 局部最优解一定是全局最优解。本文使用 Chang 和 Lin 开发的 Libsvm － 2． 83 程序包
［7 ］
， 具体分类情况见表 1 ：
图1
8 种类型膜蛋白与脂双层结合关系示意图
Fig． 1 Schematic drawing of the eight types of membrane proteins
表1
8 种类型膜蛋白训练集和独立检验集数据分布
Table 1 Training and testing datasets of the eight membrane protein types 〗 Type Single － pass type I Single － pass type II Single － pass type III Single － pass type IV Multipass Lipid － chain anchor GPI anchor Peripheral Overall Training dataset 610 312 24 44 1316 151 182 610 3249 Independent testing dataset 444 78 6 12 3265 38 46 444 4333

合集下载

矩阵式组织中项目成员的绩效管理考核

矩阵式组织中项目成员的绩效管理考核

矩阵式组织中项目成员的绩效管理考核一、引言由于矩阵式组织结构兼有职能型组织结构与项目型组织结构的特征，因而在现实生活中，大多数基于项目的组织都采取了矩阵式的组织结构。

如高新技术企业的新产品开发、工程建筑企业的施工承包等等。

在矩阵式组织结构中，一个项目组中的成员分别来自不同的部门，有着不同技能，不同知识和和背景，大家为了某个特定的任务或项目而工作。

其优点是按照项目进行组织，加强了不同部门之间的配合和信息交流，克服了职能型组织结构中各部门相互脱节的现象，同时又很机动灵活，可随项目的开始与结束进行组建或给予解散。

并且每个人可以同时参与多个项目，从而可大大提高人员的利用率。

此外，由于职能人员直接参与项目，而且在重要决策问题上有发言权，增加了参与者者的责任感和积极性。

但是矩阵式组织也存在着不足，其主要缺点是项目经理的责任往往大于权力，因为参加项目的成员都来自不同的部门，工作带有临时性，如果项目经理对于项目成员的工作好不没有足够的激励和惩罚手段，项目成员可能受到双重的指挥，影响组织效率和稳定性。

对于这一问题，矩阵式组织可以通过优化人员的绩效考核方式来加以改善，使得矩阵式组织结构的优点得到最大限度的发挥。

现有矩阵式组织中的绩效管理主要存在着以下问题：首先，在考核开始之前，没有制定具体的绩效考核目标，从而使得考核无据可依。

其次，在考核过程中，项目经理和职能经理的权力不均衡。

大多数组织的绩效考核以及作用和解雇的权利都保留在职能经理的手中。

项目经理只有发言权，没有决策权。

从而使得项目经理难以对团队成员进行有效的激励，使他们愿意为项目工作，并保证对项目忠诚。

对职能经理而言，由于他并没有足够的时间去随时把握员工在项目中的工作情况，因此他对每个员工情况并不是十分了解，由他独立考核将很难对员工的能力做出比较客观的评判。

即使某些组织采取了由项目经理和职能经理同时考核的方式，但是由于他们对同一个成员考核的指标是相同的。

这样就很难避免由于多头管理引起的冲突。

ahp判断矩阵专家打分

ahp判断矩阵专家打分

ahp判断矩阵专家打分
AHP（层次分析法）是一种用于决策分析的方法，它通过对不同因素的两两比较来确定其重要性。

在AHP中，专家打分是评估不同因素之间相对重要性的关键步骤。

专家打分通常涉及以下步骤：
1. 确定判断矩阵：将待比较的因素列成一个矩阵，其中行和列分别表示不同的因素。

然后，专家需要对每对因素进行两两比较，根据其相对重要性进行打分。

一般来说，使用1到9的标度，其中1表示两个因素具有相同的重要性，9表示一个因素比另一个因素重要性高出很多，中间的值表示不同程度的重要性。

2. 一致性检验：为了确保专家的打分是一致的，需要进行一致性检验。

这可以通过计算特征向量的一致性指标（CI）和一致性比率（CR）来完成。

如果CR小于0.1，表示打分是一致的。

3. 计算权重：根据判断矩阵中的打分，可以计算每个因素的权重。

一般来说，将每列的打分进行归一化处理，然后计算每行的平均值作为对应因素的权重。

4. 敏感性分析：在得出权重后，可以进行敏感性分析，检查不同因素的权重变化对最终结果的影响。

这可以帮助确定不同因素的相对重要性。

专家打分是AHP方法中的一个重要步骤，通过比较不同因素的相对重要性来生成判断矩阵，并最终计算出每个因素的权重。

这些权重可以用于决策分析和优先级排序。

浅谈矩阵式组织下的企业项目组绩效评价管理

浅谈矩阵式组织下的企业项目组绩效评价管理

浅谈矩阵式组织下的企业项目组绩效评价管理随着现代化管理的推进，项目管理+职能管理相结合的矩阵式组织模式，以其灵活、有效的特点而被大多数组织所采用。

职能部门与项目组成为企业主要生产活动的两条主线，如缺乏对项目组的绩效评价和激励就难以充分发挥项目组统筹协调和横向拉通的作用，如何建立和完善项目绩效评价管理机制是企业亟需解决的问题。

标签：项目组；项目绩效；评价指标项目是指在一定约束条件下（主要是限定资源、限定时间、限定质量），具有特定目标的一次性任务，项目管理是指在项目活动中运用专门的知识、技能、工具和方法，使项目能够在有限资源限定条件下，实现或超过设定的需求和期望的过程。

矩阵式项目管理组织，是职能部门与项目组相互结合结构形式呈矩阵状的组织，项目管理人员由企业有关职能部门派出并进行业务指导，受项目经理的直接领导，矩阵管理中的员工是双线汇报的模式。

在矩阵式组织模式中起着横向统筹协调的核心拉动作用。

项目组为临时独立机构，对外代表企业，对内代表用户，是平衡客户满意与公司业绩要求的核心载体。

项目组配置专职人员、独立承担项目指标，是项目管理的主责单位，对项目进度、范围、成本、质量、风险、沟通等负责；对项目各阶段、各部门、各项工作进行横向统筹、协调、监督、检查和评价。

项目执行结果决定着企业经营业绩，明确有效的项目组绩效评价管理，有利于分解责任，增强项目组的凝聚力和执行力，提高管理效率，是企业项目管理提升经营业绩和客户满意度的重要抓手。

项目组绩效考评是由企业项目考核评价主体对项目组的项目管理行为，水平及成果进行考核并做出评价的过程。

一、主要目标1.规范项目管理行为，鉴定项目管理水平，确认项目管理成果，对项目组的工作过程和结果进行全面考核和评价。

2.建立统一的项目组织绩效评价体系（含项目过程与结尾评价）并对项目组进行评价，建立监督与检查机制。

引导促进项目组对项目执行中的各项关键指标严格管控，提高项目管理效率。

3.完善企业组织绩效考评体系，将对项目组的考评纳入企业组织绩效考评体系范畴。

精益生产实施与评价矩阵

精益生产实施与评价矩阵

精益生产实施与评价矩阵精益生产是一种在制造业中广泛应用的管理方法，旨在通过消除浪费、提高效率和质量，实现生产过程的优化。

为了帮助企业实施和评价精益生产的效果，一种称为精益生产实施与评价矩阵的工具被开发出来。

本文将对精益生产实施与评价矩阵进行介绍并探讨其应用。

一、什么是精益生产实施与评价矩阵？精益生产实施与评价矩阵是一种用于确定和评估精益生产实施情况的工具。

它由一个矩阵组成，以一系列关键维度和实施程度来衡量企业在精益生产方面的表现。

这些维度可以包括流程改进、员工参与、质量管理等方面。

通过对每个维度进行评分，企业可以了解其在精益生产方面的优势和不足之处，并采取相应的措施改进。

二、精益生产实施与评价矩阵的步骤1. 确定关键维度：首先，企业需要确定在实施和评估精益生产时所关注的关键维度。

这些维度应与企业的具体情况相符，并涵盖到生产流程的各个方面。

例如，有些企业可能更关注供应链管理，而另一些企业则更关注质量控制。

2. 制定评分标准：对于每个关键维度，企业需要制定相应的评分标准。

这些标准应能够客观地反映企业在该维度上的实施程度。

例如，在流程改进方面，评分标准可以包括改进次数、改进措施的有效性等。

3. 进行评估：一旦确定了关键维度和评分标准，企业就可以对其实施情况进行评估。

评估可以根据实际情况进行定期或不定期进行。

评估可以通过问卷调查、访谈或观察等方式进行。

4. 分析评估结果：在评估完成后，企业需要对评估结果进行分析。

这将揭示出企业在精益生产方面的强项和改进的领域。

基于这些结果，企业可以制定相应的改进措施，并跟踪实施的效果。

三、精益生产实施与评价矩阵的应用精益生产实施与评价矩阵可用于各种规模和类型的企业。

通过使用这个工具，企业可以更好地了解其在精益生产方面的表现，并制定改进策略。

除了企业内部使用，精益生产实施与评价矩阵还可以用于供应链管理。

企业可以与供应商共享评估结果，并要求供应商改进其生产和运营过程。

这将有助于优化整个供应链，减少不必要的浪费和延误。