计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2014年
2期
166-170
,共5页
蚁群算法%支持向量机%耐热性%机器学习
蟻群算法%支持嚮量機%耐熱性%機器學習
의군산법%지지향량궤%내열성%궤기학습
ACO%SVM%thermostability%machine learning
氨基酸含量是影响蛋白质耐热性的主要因素,为了提高以氨基酸含量为特征向量的蛋白质耐热性预测的精度和预测模型的性能,提出了一种基于机器学习蚁群算法(ACO)优化支持向量机(SVM)参数的蛋白质耐热性预测方法.建立了SVM参数优化模型,探讨了基于网格划分策略的连续蚁群算法,通过对SVM的惩罚因子和径向基核函数的全局搜索,筛选出最优参数,使SVM的蛋白质耐热性预测率最优.结果表明:采用未优化的SVM建立的预测模型的蛋白质耐热性总预测率相对较低,约为76.5％,采用遗传算法优化预测模型参数后的预测率约为86.6％,采用ACO优化预测模型参数后预测率达到87.8％.采用ACO优化的SVM模型参数的寻优速度快,预测结果准确.
氨基痠含量是影響蛋白質耐熱性的主要因素,為瞭提高以氨基痠含量為特徵嚮量的蛋白質耐熱性預測的精度和預測模型的性能,提齣瞭一種基于機器學習蟻群算法(ACO)優化支持嚮量機(SVM)參數的蛋白質耐熱性預測方法.建立瞭SVM參數優化模型,探討瞭基于網格劃分策略的連續蟻群算法,通過對SVM的懲罰因子和徑嚮基覈函數的全跼搜索,篩選齣最優參數,使SVM的蛋白質耐熱性預測率最優.結果錶明:採用未優化的SVM建立的預測模型的蛋白質耐熱性總預測率相對較低,約為76.5％,採用遺傳算法優化預測模型參數後的預測率約為86.6％,採用ACO優化預測模型參數後預測率達到87.8％.採用ACO優化的SVM模型參數的尋優速度快,預測結果準確.
안기산함량시영향단백질내열성적주요인소,위료제고이안기산함량위특정향량적단백질내열성예측적정도화예측모형적성능,제출료일충기우궤기학습의군산법(ACO)우화지지향량궤(SVM)삼수적단백질내열성예측방법.건립료SVM삼수우화모형,탐토료기우망격화분책략적련속의군산법,통과대SVM적징벌인자화경향기핵함수적전국수색,사선출최우삼수,사SVM적단백질내열성예측솔최우.결과표명:채용미우화적SVM건립적예측모형적단백질내열성총예측솔상대교저,약위76.5％,채용유전산법우화예측모형삼수후적예측솔약위86.6％,채용ACO우화예측모형삼수후예측솔체도87.8％.채용ACO우화적SVM모형삼수적심우속도쾌,예측결과준학.
