智能计算与生物信息处理.pptVIP

济南大学信息学院 Outline 智能计算 – 科学问题、内容和发展 生物信息学与系统生物学 – 问题和需要 使用智能计算方法解决生物学问题 – 例子 未来的计划 什么是智能计算 智能计算是指人工智能、计算智能、机器学习等学科或研究方向中的模拟人的智能和动物智能的算法部分。 智能计算目前是计算机和自动化等学科研究中的国际热点研究领域。 智能计算相关的研究课题（1） 进化计算(Evolutionary Computing) 神经计算(Neural Computing) 模糊计算和粒度计算 (Fuzzy Computing) 分层计算智能模型 (Hierarchical CI) 反向工程(Reverse Engineering) 概率图模型（PGM） - 马尔可夫逻辑网络（Markov Logic Network） - 动态贝叶斯网络(Bayesian Networks) - 马尔可夫随机场（Markov Random Field）及其应用 复杂网络及其应用研究 (Complex Networks) 集成学习（Ensemble learning）及其应用 智能计算相关的研究课题（2） 机器学习 - 多示例学习（Multi-instance learning）及其应用 - 增强学习（Reinforcement learning）及其应用 - 流形学习（Manifold learning）及其应用 统计学习理论及SVM 数据挖掘（Data mining） Web智能及其应用研究 脑机工程（BME）研究 主成分分析（PCA）及其应用 智能计算相关的科学问题 分类和聚类问题（图像处理和模式识别等） 复杂优化问题 函数逼近问题 时间序列预测问题 发现（新奇点发现、离群点检测、Motif发现等） 控制问题 决策问题 课题组所涉及的智能计算方法 优化算法 参数进化优化算法：遗传算法(Genetic Algorithm)，进化规划(Evolutionary Programming)，进化策略（Evolutionary Strategy），粒子群优化算法(Particle Swarm Optimization)，蚂蚁算法(Ant Colony)，免疫优化算法(Immune Algorithms)，分布估计算法(Estimation of Distribution Algorithms)等等； 树结构进化优化算法：遗传编程（Gnentic Programming）,概率增强程序进化(Probabilistic Incremental Program Evolution)，语法引导的遗传编程(Gramer-Guided Genetic Programming)，基因表达式编程(Gene Expression Programming)，多表达式编程(Multi Expression Programming)，分布估计编程(Estimation of Distribution Programming)等； 图结构进化算法：进化图或进化网络。 课题组所涉及的智能计算方法 神经网络(Neural Networks, NN) 前向传播神经网络(Froward Propagation NN) 径向基神经网络(RBF NN) B样条神经网络(B-Spline NN) 小波神经网络(Wavelet NN) 递归神经网络 (Recurrent NN) 自组织映射神经网络(Self-Organization Map NN) 柔性神经树 (Flexible Neural Tree) 神经网络的集成 (Ensemble of NNs) 分层神经网络 (Hierarchical NNs) Flexible Neural Tree (FNT) 神经网络的集成 分层神经网络结构 智能计算方法 – 模糊系统 模糊系统 分层TS模糊系统 分层TS模糊系统的自动优化设计 动力系统的反向工程 微分方程是含有自变量、未知函数及其导数(或微分)的方程。在自然界和技术中的许多领域，例如物理学、化学、生物学、自动控制和电子技术等，大量问题都可以用微分方程加以描述。它是最常用的一种动态系统模型。 微分方程分为常微分方程和偏微分方程，常微分方程描述的系统通常称为集中参数系统，主要表现以时间参数为自变量的系统。偏微分方程描述的系统称为分布参数系统，主要表现为具有多个自变量的系统。 解微分方程 一般采用四阶定步长Runge-Kutta算法计算解常微分方程。该算法结构简单。求解方法如下： 首先定义四个附加变量： K1 = f(x(t),t) K2 = f(x(t+hk1/2),t+h/2) k3 = f(x(t+hk2/2),t