对Smith-Waterman算法的计算公式进行了改进以适应GPU并行的特点,并提出新的基于BLOCK分块的并行前缀扫描法;通过UP-DOWN步骤、BLOCK间调整、Eij微调等步骤在O(logn)时间内计算出行中每一个元素的前缀最大值;最后将回溯过程置于GPU端,避免了CPU与GPU间内存的拷贝.与传统的Smith-Waterman算法相比,该算法在低端的GPU平台性能提升90倍;与同样基于GPU的SWAT算法相比,性能也有较大的提升.

针对考虑优先关系约束和机器工作区域冲突约束的异步并行拆卸序列规划问题，提出加入路径重连策略的遗传算法。通过定义零部件之间的与或优先关系，对拆卸方向进行简化。且根据工作区域冲突约束，避免零部件拆卸过程中产生工作区域冲突。在此基础上，对种群进行编码解码，并加入路径重连算子，将遗传算法迭代得到的精英解进行路径重连以增强算法的局部搜索能力。最后通过多个实际案例证明算法的有效性。

[目的/意义]针对序列比对算法在文本相似度中的应用,改进全局比对算法并提高该算法的准确性,同时,应用局部比对算法有效解决内容差异或长短差异较大的两文本进行比对的问题。[方法/过程]首先,利用HanLP中的CRF模型对在线学术资源中文文本数据集进行规范化处理,构成中文序列集;然后,使用最新的中文维基百科语料训练Word2Vec模型来构建语词对打分矩阵;最后,基于打分矩阵和改进的打分规则,对进行全局比对/局部比对的两中文序列进行比对并获得比对的最优解,回溯该最优解,获取最优解的比对路径,计算两中文序列的相似度。[结果/结论]实验结果表明,相较于目前全局比对算法的相关研究,本文基于词性标注的结果与Word2Vec构建的语词对打分矩阵进一步提升了全局比对算法计算文本相似度的准确性,同时,应用于文本相似度计算的局部比对算法能够有效解决内容差异或长短差异较大的两文本进行比对的问题。

时间序列数据的处理及挖掘一直是业界关注的热点,而海表温度也一直是人们观测、研究和预报的重要对象。本文主要考虑对一年的跨度进行切割,使得落在每个切割区间的海表温度数据满足最优的正态分布,以便对遥感数据的异常性作出检验。结合2003-2011年南海和东海海表温度数据集,本文引入Floyd算法,将寻求数据集最优分割问题转化为图论中网络中最短路求解问题,将不超过30天的点之间的距离设定为无穷大,以避免分割点过于密集的情况,并将频率与概率的距离定义的误差转化为线路权重,实现了动态全局最优分割。且正态分布下的3σ异常值检验法,实现了对异常值的识别。

【目的】为了提高高山松地上生物量估测的精度，开发一种滤波算法，减少Landsat时间序列数据的噪声。【方法】基于1987、1992、1997、2002、2007、2012、2017年国家森林资源连续清查固定样地的数据以及1987—2017年的Landsat时间序列影像，利用谷歌地球引擎(Google earth engine,GEE)以及Python，通过Land Trendr滤波、Savitzky-Golay滤波、Horn卷积以及基于空间卷积理论开发的自适应霍恩地形卷积(Adaptive horn topography convolution,AHTC)算法对Landsat时间序列数据进行滤波，应用随机森林回归算法(Random forest regression,RFR)构建香格里拉市高山松地上生物量估测模型，并选择最优估测模型对1987、1992、1997、2002、2007、2012、2017年高山松地上生物量进行反演制图。【结果】1)从图像的直接评价指标均方根误差(Root mean square error,R_(MSE))以及峰值信噪比(Peak signal-to-noise ratio,P_(SNR))来看，经过AHTC算法滤波后的图像质量最好；2)在使用RFR方法的情况下，滤波后的数据均表现出比原始数据更高的估测精度；3)经过AHTC算法滤波后的时间序列数据对高山松地上生物量的估测效果最优，其决定系数R~2为0.885、均方根误差R_(MSE)为34.63 t/hm~2、预测精度P为60.75%、相对均方根误差r RMSE为43.59%;4)采用AHTC和RFR方法反演结果分别为1 236万t(1987年)、1 155万t(1992年)、1 455万t(1997年)、1 330万t(2002年)、1 314万t(2007年)、1 345万t(2012年)、1 654万t(2017年)。【结论】使用AHTC滤波方法在一定程度消除了时间序列影像自身所携带的大量噪声和不确定性，有效地提高了时间序列影像的质量，同时也为提高高山松地上生物量遥感估测精度提供了一种新思路。

将生物信息学中的序列比对方法引入金融时间序列分析,可以捕获变量的大尺度特征,抑制噪声,并能从不同角度挖掘系统的隐含模式,且无需过度的前提假设。本文在已有序列比对方法的基础上,提出了两种用于金融序列比对的打分矩阵的构造方法,即相似度导向型矩阵和目的导向型矩阵,前者侧重于反映历史数据信息,可用于发现序列的对应模式,后者考虑对序列进行比对的目的,可用于提取序列的特征片段。应用该方法,本文对上证综指和深证成指的涨跌特征及其相关性进行了实证研究,得到了良好的研究效果,印证了将该方法引入金融领域分析的可行性和有效性。

将生物信息学中的序列比对方法引入金融时间序列分析,可以捕获变量的大尺度特征,抑制噪声,并能从不同角度挖掘系统的隐含模式,且无需过度的前提假设。本文在已有序列比对方法的基础上,提出了两种用于金融序列比对的打分矩阵的构造方法,即相似度导向型矩阵和目的导向型矩阵,前者侧重于反映历史数据信息,可用于发现序列的对应模式,后者考虑对序列进行比对的目的,可用于提取序列的特征片段。应用该方法,本文对上证综指和深证成指的涨跌特征及其相关性进行了实证研究,得到了良好的研究效果,印证了将该方法引入金融领域分析的可行性和有效性。

基于混沌序列的优良性能,提出了混沌序列和PCA相结合的数字水印算法。首先对图像进行PCA变换,在去除噪声的前提下提取最能代表图像特征的特征系数,然后利用混沌映射生成混沌序列作为数字水印,水印嵌入在主成分系数上。实验表明,该算法具有很好的不可感知性,对常见的加噪、滤波、剪裁等攻击有较强的鲁棒性。

文章基于模糊逻辑系统和标准SVR相似性,提出一种基于模糊规则上的支撑向量机。利用模糊逻辑系统参数的物理现实性选择合适方法进行参数初始化,对标准SVR算法进行了改进,并将此算法应用于混沌时间序列的预测。仿真实验证明了这种基于模糊规则上的支撑向量机模型的算法的收敛性。

近年来,经过人们对模糊时间序列模型大量的研究后,发现模糊区间的划分以及模糊关系的构建是影响模糊时间序列模型预测精度最关键的两个因素。文章针对目前模糊时间序列模型在论域划分中存在的问题,提出将人工鱼群算法(AFSA)用于模糊时间序列模型的论域划分中;并利用最小均方误差(MSE)确定最优的预测结果;最后为了显示所提出方法的有效性,将该方法用于Alabama大学注册人数的预测,结果显示该方法的预测精度更高。

【目的】基于浙江省中分辨率成像光谱仪(MODIS)时间序列数据，对浙江省竹林地上生物量进行估算，为竹林碳汇遥感监测提供参考。【方法】以MODIS叶面积指数(LAI)、增强型植被指数(EVI)和比值指数(RVI)时间序列数据为变量，利用随机森林模型筛选变量，采用支持向量回归(SVR)模型估算研究区竹林地上生物量。【结果】随机森林模型共筛选出43个对竹林地上生物量影响最大的变量；基于43个变量，采用radial核函数构建的SVR模型预测能力最强，模型训练精度和测试精度分别为0.76和0.72，均方根误差分别为5.15和8.03 Mg·hm~(-2)。浙江省全省竹林地上生物量均值为7.85 Mg·hm~(-2)，总地上生物量为3.31×10~7 Mg；浙江省竹林地上生物量在各市具有明显的差异性，其中，湖州市、杭州市、金华市、绍兴市和宁波市的竹林地上生物量均值均大于全省均值，湖州市竹林地上生物量均值最大，为13.56Mg·hm~(-2)，舟山市地上生物量均值最小，为5.72 Mg·hm~(-2)。【结论】耦合了MODIS LAI、EVI、RVI时间序列数据的SVR模型可实现浙江省竹林地上生物量较高精度的估算。图3表1参31

时间序列植被指数在植被遥感监测中发挥着重要的作用,但其往往存在大量噪声影响,在应用之前需要进行时序植被指数重构。耕地植被指数是进行农作物长势监测与估产以及农业生态系统对气候变化响应等研究的重要工具,本研究借助MODIS植被指数产品,以东北三省耕地为研究区域,针对非对称高斯函数拟合(AG)、双Logistic函数拟合(DL)和Savitzky-Golay滤波(SG)三种常见的时序植被指数重构方法,从原始数据质量对时间序列植被指数重构的影响、不同重构方法对原始数据的保真性和基于不同重构方法的耕地生长季长度空间格局等方面进行了对比分析。首先对NDVI及其质量控制数据进行分析,探讨原始数据质量对时序植...

从生物信息数据库NCBI中搜索并下载最新有关番茄萎斑病毒属Tospovirus各种间SRNA片段全长序列以及该片段上NSs、N的核酸和蛋白质序列着手,运用DNAstar和DNAMAN以及NPSA等生物信息软件对其进行比对分析,结果发现,以NSs蛋白序列建立的系统进化树显示CCSV和TZSV之间的同源性为85.8%,IYSV和TYRV之间的同源性达90%,MYSV和PSMV间的同源性为97.5%;通过N蛋白序列分析显示,Tospovirus属中有7组同源性较高的种;在Tospovirus属病毒中非极性氨基酸含量最高,极性酸性氨基酸最少,比较TSWV中抗性破坏RB株系与普通株系在NSs、N核酸、蛋...

本文首先利用局部多项式回归来去除确定性趋势,然后利用残差差分序列长短时方差比进行单位根检验。该方法不用考虑趋势的具体形式及设定问题,因而也就回避了对趋势设定的检验问题。其次,本文研究了检验统计量的极限分布,仿真研究了窗宽的选择问题,以及残差相关与不相关时的检验水平与检验功效。最后,检验结果表明该方法是有效的。

重要点分段法主要利用局部极值点进行划分,可以将时间序列分割成若干个相对较短但不重叠的子序列。该方法在进行序列划分时,能够既保留全局特征,又保持局部性质,是时间序列分段常用的方法之一。文章采用重要点分割法将序列分割成子序列,之后采用灰色GM(1,1)模型对各个子序列进行拟合。实验证明,基于灰色GM(1,1)模型与重要点的时间序列分段算法能够以更少的拟合误差,实现序列的压缩。