緒論：在尋找寫作靈感嗎？愛發(fā)表網(wǎng)為您精選了8篇網(wǎng)絡(luò)合理化建議，愿這些內(nèi)容能夠啟迪您的思維，激發(fā)您的創(chuàng)作熱情，歡迎您的閱讀與分享！

篇1

關(guān)鍵詞：基因調(diào)控網(wǎng)絡(luò)；粒子群優(yōu)化；遺傳算法；粗糙集；特征選擇

中圖分類號：TP399

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-9081（2016）11-2969-05

0 引言

MicroRNA（miRNA） 是一類非常重要的非編碼核糖核酸（RiboNucleic Acid，RNA）分子， 通過誘導(dǎo)靶基因降解， 從而廣泛地參與到基因的轉(zhuǎn)錄后調(diào)控， 或者通過抑制基因的轉(zhuǎn)錄， 對基因在轉(zhuǎn)錄水平上進(jìn)行調(diào)控[1]。miRNA通過與靶mRNA（messenger RNA）匹配結(jié)合實(shí)現(xiàn)對生物學(xué)功能的調(diào)控， 因此， 研究miRNA與其靶基因的調(diào)控關(guān)系成為生物界廣泛關(guān)注的問題。傳統(tǒng)的實(shí)驗(yàn)驗(yàn)證方法耗費(fèi)巨大， 利用現(xiàn)有的序列數(shù)據(jù)、基因表達(dá)數(shù)據(jù)或其他生物信息學(xué)數(shù)據(jù)， 通過統(tǒng)計(jì)學(xué)模型或機(jī)器學(xué)習(xí)的方法構(gòu)建基因調(diào)控網(wǎng)絡(luò)來發(fā)現(xiàn)基因之間的關(guān)系， 能夠有效減少實(shí)驗(yàn)花費(fèi)， 對生物學(xué)研究者有一定指導(dǎo)作用。

從機(jī)器學(xué)習(xí)的角度來看， 基因調(diào)控網(wǎng)絡(luò)構(gòu)建可以分為非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)。非監(jiān)督學(xué)習(xí)不需要已知的調(diào)控關(guān)系， 只是利用一些生物數(shù)據(jù)來進(jìn)行調(diào)控網(wǎng)絡(luò)的構(gòu)建； 監(jiān)督學(xué)習(xí)則需要已知的調(diào)控關(guān)系， 可以看出監(jiān)督學(xué)習(xí)需要的數(shù)據(jù)信息多于非監(jiān)督學(xué)習(xí)， 具有更強(qiáng)的發(fā)現(xiàn)能力。有研究表明， 在網(wǎng)絡(luò)推斷方面， 監(jiān)督學(xué)習(xí)優(yōu)于非監(jiān)督學(xué)習(xí)[2]。

監(jiān)督學(xué)習(xí)需要利用已有的調(diào)控關(guān)系數(shù)據(jù)， 通過學(xué)習(xí)調(diào)控關(guān)系的判別模型， 對未知的調(diào)控關(guān)系進(jìn)行判別， 需要處理特征生成和分類器選擇問題。miRNA與其靶基因的交互特征包括自由能特征、結(jié)構(gòu)序列特征和基于綁定位置特征， 收集這些特征并進(jìn)行計(jì)算， 然后使用分類器進(jìn)行模型的構(gòu)建。由于支持向量機(jī)（Support Vector Machine， SVM）在解決小樣本、非線性以及高維問題中表現(xiàn)出的優(yōu)勢[3]， 使得它在基因網(wǎng)絡(luò)構(gòu)建方面獨(dú)具一格， 已成為近期的研究熱點(diǎn)。

本文提出了一種基于粗糙集、混合粒子群和遺傳算法（Genetic Algorithm， GA）的基因調(diào)控構(gòu)建方法。首先利用序列數(shù)據(jù)構(gòu)建特征向量， 然后使用所提方法選取最優(yōu)的特征子集， 構(gòu)建支持向量機(jī)模型。由于存在正負(fù)樣本不平衡問題， 本文采用SMOTE （Synthetic Minority Oversampling TEchnique）[4] 算法對樣本進(jìn)行處理， 降低類不平衡的影響。在擬南芥和水稻數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明該方法可以得到較好的性能。

3 遺傳算法

遺傳算法是一種模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)制演化而來的隨機(jī)化搜索方法[12]。 它采用概率化的尋優(yōu)方法， 能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間， 不需要確定的規(guī)則， 能夠自適應(yīng)的調(diào)整搜索方向， 已經(jīng)被廣泛應(yīng)用到信號處理、組合優(yōu)化和機(jī)器學(xué)習(xí)等領(lǐng)域。

遺傳算法具有粒子群算法所沒有的交叉和變異操作。交叉就是按照一個(gè)較大的概率從種群中選擇兩個(gè)個(gè)體， 交換兩個(gè)個(gè)體的某個(gè)或某些位， 從而形成兩個(gè)新的個(gè)體。交叉操作方法有單點(diǎn)交叉、兩點(diǎn)交叉、多點(diǎn)交叉和順序交叉等。常用的交叉算子是單點(diǎn)交叉算子， 是指在個(gè)體中隨機(jī)設(shè)置一個(gè)交叉點(diǎn)， 然后在該點(diǎn)相互交換兩個(gè)配對個(gè)體的部分染色體。

變異操作是模擬生物由于偶然的因素而引起基因突變的原理來進(jìn)行的。它使用一個(gè)很小的變異概率隨機(jī)將染色體中的某一位或某些位使用其他值進(jìn)行替換， 從而形成一個(gè)新的個(gè)體。

4 基于粗糙集的PSO和GA的混合算法

雖然粒子群算法中粒子的學(xué)習(xí)能力很強(qiáng)， 節(jié)省時(shí)間并且容易實(shí)現(xiàn)。

但是存在一些缺點(diǎn)：比如局部搜索能力比較差、搜索的精度不高、容易陷入局部最優(yōu)解等。因此， PSO算法和其他算法的融合是當(dāng)前的研究熱點(diǎn)。Li等[13]在2006年提出將模擬退火算法和PSO進(jìn)行融合；Ye等[14]在2005年將演化策略的變異算子引入到了PSO中； 文獻(xiàn)[15] 在SVM特征選擇方面對PSO和GA進(jìn)行融合。

本文將粒子群算法和遺傳算法的交叉與變異算子進(jìn)行融合。遺傳算法個(gè)體之間不共享信息， 側(cè)重自然尋優(yōu)， 而粒子群之間共享信息， 因此搜索時(shí)間較快， 將二者的優(yōu)點(diǎn)進(jìn)行融合。在粒子群算法的執(zhí)行過程中， 將基于粗糙集的依賴度作為特征選擇的適應(yīng)度函數(shù)， 對于適應(yīng)度函數(shù)排名靠前的粒子使用粒子群算法的速度和位置更新公式進(jìn)行更新， 而對排名靠后的粒子則采用遺傳算法的交叉和變異算子進(jìn)行粒子的更新， 提出基于粗糙集的混合粒子群和遺傳算法的方法（PSOGARS）。

每個(gè)粒子是一個(gè)長為d的二進(jìn)制位串， d是特征的總數(shù)， 每一位代表一個(gè)屬性， “1”代表這個(gè)屬性被選擇， “0”代表這個(gè)屬性沒有被選擇。

4.1 參數(shù)設(shè)置和適應(yīng)度函數(shù)

慣性權(quán)重w影響著粒子群的搜索能力， 一般將慣性權(quán)重設(shè)置為隨著迭代次數(shù)遞減的函數(shù)， 這樣在開始時(shí)可以有較大的搜索空間， 之后在一個(gè)較小的空間搜索， 提高收斂速度。公式如下：

4.2 PSOGARS方法流程

基于粗糙集的粒子群和遺傳算法的混合算法過程如下：

第一步 設(shè)定算法的初始參數(shù)（種群規(guī)模、迭代次數(shù)、遺傳算法的概率p、交叉和變異速率等）。

第二步 隨機(jī)產(chǎn)生初始種群， 隨機(jī)化粒子的速度和位置， 設(shè)置每個(gè)粒子的個(gè)體極值Pbest和全局極值gbest。

第三步 根據(jù)式（11） 計(jì)算每個(gè)粒子的適應(yīng)值。

第四步 按照適應(yīng)值的大小對粒子進(jìn)行排序， 將排序前p的粒子， 根據(jù)式（8）和（9） 更新速度和位置值。對于排在p以后的那些粒子， 使用遺傳算法的交叉和變異算子進(jìn)行更新。

第五步 根據(jù)更新后的粒子再次計(jì)算適應(yīng)度值， 確定粒子的個(gè)體極值Pbest和全局極值gbest。

第六步 判斷是否滿足迭代次數(shù)要求：如果是， 就轉(zhuǎn)向第七步；否則轉(zhuǎn)向第三步。

第七步 輸出最優(yōu)粒子的最優(yōu)位置。

5 實(shí)驗(yàn)分析

5.1 數(shù)據(jù)集

擬南芥和水稻的miRNA數(shù)據(jù)下載自miRNA數(shù)據(jù)庫miRBase （版本號21）[16]， 它包含了427條擬南芥miRNA成熟體。擬南芥mRNA數(shù)據(jù)下載自擬南芥數(shù)據(jù)庫TAIR[17]。水稻的mRNA數(shù)據(jù)下載自Ensembl Genomes數(shù)據(jù)庫（http：//）。本文使用的正樣本來自一些文獻(xiàn)中搜集的實(shí)驗(yàn)驗(yàn)證的擬南芥miRNA靶基因交互數(shù)據(jù)[18-22]， 共101條。實(shí)驗(yàn)驗(yàn)證的水稻的miRNA靶基因交互數(shù)據(jù)共30條。因?yàn)閷?shí)驗(yàn)驗(yàn)證的負(fù)樣本數(shù)據(jù)缺乏， 因此一些負(fù)樣本按照下面的步驟生成。

根據(jù)擬南芥miRNA中堿基比例PU=0.29， PC=0.19， PA=0.26， PG=0.26， 300個(gè)人工的miRNA（30nt）已經(jīng)生成[23]，用這些生成的miRNA產(chǎn)生負(fù)樣本。用psRNATarget[24]產(chǎn)生這些人工的miRNA的靶基因。最后， 1311條負(fù)的調(diào)控關(guān)系已經(jīng)生成。miRNA與其靶基因的序列特征一般包括自由能、結(jié)構(gòu)和位置方面的特征， 本文采用文獻(xiàn)[25]的方式提取48維特征。在水稻數(shù)據(jù)集上采用同樣的方法生成負(fù)樣本。因?yàn)樾枰獦颖緮?shù)據(jù)中有miRNA與mRNA的交互的靶位點(diǎn)信息， 利用psRNATarget工具得到的調(diào)控關(guān)系作為測試集。

5.2 數(shù)據(jù)預(yù)處理及參數(shù)設(shè)置

實(shí)驗(yàn)中， 由于正負(fù)樣本的比例不平衡， 負(fù)樣本的比例大于正樣本的比例， 結(jié)果會(huì)出現(xiàn)較高的假陰性。本文采用經(jīng)典的SMOTE方法解決樣本的不平衡問題。SMOTE算法是一種過采樣算法， 基本思想是通過合成的方法產(chǎn)生新的少數(shù)樣本。合成的方法是對每個(gè)少數(shù)類樣本a， 計(jì)算a與少數(shù)類樣本之間的歐氏距離， 選取k個(gè)最短的距離作為其最近鄰， 文中的k值為5。然后從它的最近鄰中隨機(jī)選擇樣本b， 然后在a和b之間的連線上隨機(jī)選一點(diǎn)作為新合成的少數(shù)類樣本M， 如式（12）所示， 其中u是一個(gè)介于0～1的隨機(jī)數(shù)，并不是簡單地進(jìn)行復(fù)制。使用數(shù)據(jù)挖掘工具Weka[26]將連續(xù)屬性值進(jìn)行離散化處理， 以間距0.1為分割， 分成10份， 離散化后小于0.1的值都看作0， 0.1～0.2的值都看作0.1， 依此類推。

算法中的遺傳概率p， 從0.1～0.9， 以0.1為步長連續(xù)取不同的值進(jìn)行實(shí)驗(yàn)， 最終選取一組準(zhǔn)確率最高時(shí)的p值作為最終的結(jié)果。

本文采用了3種分類性能評價(jià)指標(biāo)， 分別是準(zhǔn)確率、F值和受試者工作特征（Receiver Operating Characteristic， ROC）曲線面積。其中：

準(zhǔn)確率=（TP+TN）/（TP+TN+FP+FN）

F值=（2*TP）/（2*TP+FP+FN）

ROC曲線是顯示分類器真正率和假正率折中的一種圖形化方法。在一個(gè)ROC曲線中， 真正率（True Positive Rate， TPR）沿y軸進(jìn)行繪制， 而假正率（False Positive Rate， FPR）顯示在x軸上， 沿著曲線每一點(diǎn)對應(yīng)于一個(gè)分類器歸納的模型。ROC曲線面積是曲線下方的面積， 其取值范圍為0～1。

其中：TP、TN、FP、FN分別表示真陽性、真陰性、假陽性和假陰性。

表1按照不同的p值選出不同的特征子集， 根據(jù)不同的特征子集采用支持向量機(jī)進(jìn)行訓(xùn)練， 使用10倍交叉驗(yàn)證得到在擬南芥數(shù)據(jù)集上不同p值時(shí)的準(zhǔn)確率、F值和ROC面積。本實(shí)驗(yàn)中， p值最終選擇的是0.2。最大迭代次數(shù)Maxiter=100， 慣性權(quán)重的最大值和最小值分別是1.4和0.4。種群的大小N為特征的個(gè)數(shù)48， 遺傳算法的交叉概率c=0.7， 變異概率m=0.01。

5.3 結(jié)果分析

本文方法PSOGARS與基于粗糙集和粒子群優(yōu)化的特征選擇方法（Feature Selection based on Rough Sets and PSO， PSORSFS）[27]、粗糙集軟件（ROSETTA）[28]等算法進(jìn)行比較分析。ROSETTA中采用的是利用遺傳算法得到的屬性約簡方法。然后使用支持向量機(jī)對每種算法得到的特征子集對應(yīng)的樣本子集進(jìn)行分類， 采用10折交叉驗(yàn)證比較這三種算法的性能。因?yàn)槭褂么植诩浖还驳玫搅?個(gè)不同的屬性約簡子集， 文中取它們的平均值進(jìn)行比較。表2為三種方法在擬南芥數(shù)據(jù)集上的性能比較。

使用同樣的方法在水稻數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)， 結(jié)果如表3所示。

從表2和表3中可以看到， 雖然三種方法約簡后的特征個(gè)數(shù)相同， 但是本文方法的準(zhǔn)確率略高于其他兩種方法。對于擬南芥數(shù)據(jù)集來說， 分類的準(zhǔn)確率， F值和ROC面積都比PSORSFS高5%， 比ROSETTA高1%。在水稻數(shù)據(jù)上， 比PSORSFS高1%， 比ROSETTA高8%。

5.4 網(wǎng)絡(luò)構(gòu)建

根據(jù)構(gòu)建的分類模型， 得到miRNAmRNA的調(diào)控網(wǎng)絡(luò)。圖1給出了部分的調(diào)控關(guān)系。miR156調(diào)控的AT1G27360、AT3G57920、AT1G35515等大部分均有GO術(shù)語GO：0006355。AT1G35515也具有相同的生物過程， 因此， 它們很可能同時(shí)被相同的調(diào)控因子調(diào)控。這里， 實(shí)驗(yàn)驗(yàn)證的miR157的靶基因都具有同樣的GO標(biāo)簽， 而預(yù)測的AT2G42200也有相同的GO標(biāo)簽。同時(shí)被miR156和miR157預(yù)測A8T3G18217擁有的GO標(biāo)簽GO：0035195和GO：0006355都是GO標(biāo)簽GO：0010467的后代， 所以它們很可能也有相同的功能， 被同樣的調(diào)控因子調(diào)控。表4給出了這些實(shí)驗(yàn)驗(yàn)證的以及預(yù)測的miRNA的靶基因的GO術(shù)語及其功能。

6 結(jié)語

基于粗糙集理論， 本文將粒子群優(yōu)化算法與遺傳算法相結(jié)合， 提出了一種新的構(gòu)建調(diào)控網(wǎng)絡(luò)的方法。考慮到miRNA與其靶基因之間的序列信息， 提取序列之間的關(guān)系， 構(gòu)造特征向量， 混合粒子群和遺傳算法選擇最優(yōu)的特征子集， 使用SMOTE算法解決樣本不平衡問題。使用支持向量機(jī)進(jìn)行實(shí)驗(yàn)， 采用10折交叉驗(yàn)證來衡量模型的準(zhǔn)確性。結(jié)果表明， 該方法可以有效地預(yù)測調(diào)控關(guān)系。今后， 可以考慮結(jié)合其他種類的生物學(xué)數(shù)據(jù)， 提高預(yù)測的準(zhǔn)確率。

參考文獻(xiàn)：

[1] RUVKUN G. Glimpses of a tiny RNA world[J]. Science， 2001， 294（5543）： 797.

[2] MADHAMSHETTIWAR P B， MAETSCHKE S R， DAVIS M J， et al. Gene regulatory network inference： evaluation and application to ovarian cancer allows the prioritization of drug targets[J]. Genome Medicine， 2012， 4（5）： 1-16.

[3] 亓慧，王文劍，郭虎升.一種基于特征選擇的SVM Bagging集成方法[J]. 小型微型計(jì)算機(jī)系統(tǒng)， 2014， 35（11）： 2533-2537.（QI H， WANG W J， GUO H S. An SVM bagging ensemble learning algorithm based on feature selection[J]. Journal of Chinese Computer Systems， 2014， 35（11）： 2533-2537.）

[4] CHAWLA N V， BOWYER K W， HALL L O， et al. SMOTE： synthetic minority oversampling technique[J]. Journal of Artificial Intelligence Research， 2002， 16（1）： 321-357.

[5] PAWLAK Z. Rough sets[J]. International Journal of Computer & Information Sciences， 1982， 11（5）： 341-356.

[6] 常犁云， 王國胤， 吳渝. 一種基于Rough Set理論的屬性約簡及規(guī)則提取方法[J]. 軟件學(xué)報(bào)， 1999， 10（11）：1207-1211. （CHANG L Y， WANG G Y， WU Y. An approach for attribute reduction and rule generation based on rough set theory[J]. Journal of Software， 1999， 10（11）： 1207-1211.）

[7] 石云， 孫玉芳， 左春. 基于Rough Set的空間數(shù)據(jù)分類方法[J]. 軟件學(xué)報(bào)， 2000， 11（5）： 673-678. （SHI Y， SUN Y F， ZUO C. Spatial data classification based on rough set[J]. Journal of Software， 2000， 11（5）： 673-678.）

[8] PAWLAK Z. Imprecise Categories， Approximations and Rough Sets[M]. Boston， Massachusetts： Kluwer Academic Publishers， 1991： 9-26.

[9] PAUL S， MAJI P. Rough set based gene selection algorithm for microarray sample classification[C]// ICM2CS 2010： Proceedings of the 2010 International Conference on Methods and Models in Computer Science. Piscataway， NJ： IEEE， 2010： 7-13.

[10] KENNDY J， EBERHART R C. Particle swarm optimization[C]// Proceedings of the 1995 IEEE International Conference on Neural Networks. Piscataway， NJ： IEEE， 1995：1942-1948.

[11] EBERHART R C， KENNEDY J. A new optimizer using particle swarm theory[C]// Proceedings of the 6th International Symposium on Micro machine and Human Science. Piscataway， NJ： IEEE， 1995： 39-43.

[12] HAYESROTH F. Review of "Adaptation in Natural and Artificial Systems by John H. Holland". The University of Michigan Press[J]. ACM SIGART Bulletin， 1975， 53： 15.

[13] LI L， WANG L， LIU L. An effective hybrid PSOSA strategy for optimization and its application to parameter estimation[J]. Applied Mathematics and Computation， 2006， 179（1）： 135-146.

[14] YE B， ZHU C， GUO C， et al. Generating extended fuzzy basis function networks using hybrid algorithm[C]// Proceedings of the Second international conference on Fuzzy Systems and Knowledge Discovery. Berlin： SpringerVerlag， 2005： 79-88.

[15] 張進(jìn)， 丁勝， 李波. 改進(jìn)的基于粒子群優(yōu)化的支持向量機(jī)特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用， 2016， 36（5）：1330-1335.（ZHANG J， DING S， LI B. Improved particle swarm optimization algorithm for support vector machine feature selection and optimization for parameters[J]. Journal of Computer Applications， 2016， 36（5）： 1330-1335.）

[16] GRIFFITHSJONES S， SAINI H K， VAN DONGEN S， et al. miRBase： tools for MicroRNA genomics[J]. Nucleic Acids Research， 2008， 36（1）： 154-158.

[17] SWARBRECK D， WILKS C， LAMESCH P， et al. The Arabidopsis Information Resource （TAIR）： gene structure and function annotation[J]. Nucleic Acids Research， 2008， 36（Database issue）： D1009-D1014.

[18] ADDOQUAYE C， ESHOO T W， BARTEL D P， et al. Endogenous siRNA and miRNA targets identified by sequencing of the Arabidopsis degradome[J]. Current Biology， 2008， 18（10）： 758-762.

[19] ALLEN E， XIE Z， GUSTAFSON A M， et al. MicroRNAdirected phasing during transacting siRNA biogenesis in plants[J]. Cell， 2005， 121（2）： 207-221.

[20] GERMAN M A， PILLAY M， JEONG D H， et al. Global identification of MicroRNAtarget RNA pairs by parallel analysis of RNA ends[J]. Nature Biotechnology， 2008， 26（8）： 941-946.

[21] LIANG G， HE H， YU D. Identification of nitrogen starvationresponsive MicroRNAs in Arabidopsis thaliana[J]. PloS One， 2012， 7（11）： e48951.

[22] ALLEN E， XIE Z， GUSTAFSON A M， et al. Evolution of MicroRNA genes by inverted duplication of target gene sequences in Arabidopsis thaliana[J]. Nature Genetics， 2004， 36（12）： 1282-1290.

[23] SAETROM O L A， SNVE O L A， SAETROM P. Weighted sequence motifs as an improved seeding step in MicroRNA target prediction algorithms[J]. RNA， 2005， 11（7）： 995-1003.

[24] DAI X， ZHAO P X. psRNATarget： a plant small RNA target analysis server[J]. Nucleic Acids Research， 2011， 39（Web Server issue）： W155-W159.

[25] MENG J， SHI L， LUAN Y. Plant MicroRNAtarget interaction identification model based on the integration of prediction tools and support vector machine[J]. PloS One， 2014， 9（7）： e103181.

[26] HOLMES G， DONKIN A， WITTEN I H. WEKA： a machine learning workbench[C]// Proceedings of the 1994 2nd Australian and New Zealand Conference on Intelligent Information Systems. Piscataway， NJ： IEEE， 1994：357-361.

篇2

[關(guān)鍵詞]模糊?；?；小波神經(jīng)網(wǎng)絡(luò)；股指區(qū)間預(yù)測

[DOI]101.3939/jcnkizgsc20162.71.1.3

1引言

隨著股票市場的逐漸完善和發(fā)展，投資金融理財(cái)產(chǎn)品成為越來越多的家庭和個(gè)人的選擇，股票就是其中重要的一種理財(cái)產(chǎn)品。近年來，人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域興起的研究熱點(diǎn)，并且憑借其優(yōu)秀的非線性逼近和泛化能力在金融市場得到了廣泛的應(yīng)用。王文波等人進(jìn)行了基于EMD 與神經(jīng)網(wǎng)絡(luò)的中國股票市場預(yù)測[1]，任崇嶺等人進(jìn)行了基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測研究[2]，以上研究表明神經(jīng)網(wǎng)絡(luò)在股票市場上有較好的實(shí)際預(yù)測效果并獲得了廣泛的應(yīng)用。潘曉明等人通過采用遺傳算法的神經(jīng)網(wǎng)絡(luò)集成建立了一種股票市場預(yù)測模型。[3]劉沛漢等基于遺傳算法優(yōu)化進(jìn)行了神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測[4]等，上述研究結(jié)果表明遺傳算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，降低誤差方面有顯著作用。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測多得到股指點(diǎn)的預(yù)測，但是股票市場隨機(jī)性較大，投資者往往更希望得到股指在未來一段時(shí)間的波動(dòng)區(qū)間作為投資參考。因此，文章通過將股指開盤數(shù)據(jù)模糊粒化，然后在小波神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上建立一種新型的股指區(qū)間預(yù)測模型，并使用遺傳算法優(yōu)化模型參數(shù)，獲得更高的精度，預(yù)測未來一段時(shí)間內(nèi)股指波動(dòng)范圍，為股市投資者提供投資參考。

2模型的建立

2.1信息粒化

1979年，LAzadeh教授提出了“信息粒化”（Information Granulation）的概念。信息?；褪峭ㄟ^一定的劃分準(zhǔn)則，將原始數(shù)據(jù)中難以辨別，或者具有特定功能相似的數(shù)據(jù)聚集成多個(gè)集合，構(gòu)成一個(gè)個(gè)信息粒，這種信息處理的方式稱之為信息?；?。一般形式如下：

2.2基于遺傳算法和BP學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測

2.2.1遺傳算法的使用

遺傳算法（Genetic Algorithm）是一種模擬生物進(jìn)化機(jī)制的算法，具有較好的收斂性、極高魯棒性和廣泛適用性，可有效提高模型預(yù)測精度。因此，文章采用全局搜索能力較好的遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)，步驟如下。

2.2.2小波神經(jīng)網(wǎng)絡(luò)的建立

小波神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，以小波基函數(shù)作為隱含層節(jié)點(diǎn)傳遞函數(shù)，信號前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。文章選取Morlet母小波基函數(shù)作為隱含層小波基函數(shù)：

采用梯度修正算法高模型的預(yù)測精度、使預(yù)測輸出更接近期望輸出，修正過程如下：

3實(shí)證分析

文章選擇我國股票市場中的上證指數(shù)作為研究數(shù)據(jù)。文章選取201.4 年1.2月2.2 日至2016 年3 月16 日的300 個(gè)交易日的上證指數(shù)開盤數(shù)據(jù)進(jìn)行預(yù)測，數(shù)據(jù)源于新浪財(cái)經(jīng)。將300個(gè)開盤數(shù)據(jù)每4 天劃分成一個(gè)數(shù)據(jù)粒，劃分成75個(gè)數(shù)據(jù)塊，隸屬函數(shù)的參數(shù)即對應(yīng)模糊上界，模糊中值和模糊下界。文章使用模糊下界和模糊上界作為股票指數(shù)所在的區(qū)間。

以股指分塊數(shù)據(jù)的上界為例，選取前72個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，后3個(gè)數(shù)據(jù)作為測試集。文章選取前6個(gè)數(shù)據(jù)作為小波神經(jīng)網(wǎng)絡(luò)的輸入。隱含層節(jié)點(diǎn)的數(shù)目可根據(jù)經(jīng)驗(yàn)公式[KF（]m+n[KF）]+α 計(jì)算，其中α 是取值0～10之間的常數(shù)，經(jīng)過多次嘗試隱含層節(jié)點(diǎn)為1.3時(shí)效果最好，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，文章的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-1.3-1。

用遺傳算法計(jì)算小波神經(jīng)網(wǎng)絡(luò)測初始狀態(tài)，這里文章基于Matlab的Gatbx遺傳算法工具箱進(jìn)行編寫。具體的參數(shù)設(shè)置為：①個(gè)體數(shù)目：50；②最大遺傳代數(shù)：20；③變異概率：005；④交叉概率：08；⑤代溝：09。

采用梯度下降法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，梯度下降訓(xùn)練具體參數(shù)如下：（1）小波神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)速率η1=002；（2）小波基函數(shù)伸縮、平移因子學(xué)習(xí)速率η1=001；（3）小波神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)為600次。訓(xùn)練結(jié)果和訓(xùn)練誤差如下。

利用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)得到2016年3月1日～3月16日的模糊上界的預(yù)測值。類似地，對上證指數(shù)模糊中間值以及模糊下界進(jìn)行相同的處理方式，可以得到具體的股指預(yù)測區(qū)間為[2.73.6，2.889]、 [2.705，2.877]和[2.74.3，2.960]。2016年3月1日～2016年3月16日股指區(qū)間預(yù)測結(jié)果和實(shí)際股指圖如下所示。

由上圖可以看出，2016年3月1日―2016年3月16日一共1.2個(gè)交易日的數(shù)據(jù)幾乎全部屬于小波神經(jīng)網(wǎng)絡(luò)預(yù)測區(qū)間，并且模型預(yù)測區(qū)間波動(dòng)較小，預(yù)測較為精確。模型可以較好地預(yù)測股票指數(shù)在沒有重大政策影響的情況下的波動(dòng)情況。

對于模型預(yù)測誤差，本文采取均方根誤差（RMSE），平均絕對百分比誤差（MAPE），最大絕對誤差百分比（MaxAPE）這三項(xiàng)指標(biāo)來進(jìn)行衡量。按照如下計(jì)算公式計(jì)算得到預(yù)測結(jié)果誤差并得到計(jì)算結(jié)果：

4結(jié)語

文章提出了一種基于模糊?；瓦z傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)股票指數(shù)區(qū)間預(yù)測模型。該模型通過對上證指數(shù)開盤數(shù)據(jù)進(jìn)行模糊?；?，建立一個(gè)基于遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)，并對未來幾日的上證指數(shù)進(jìn)行預(yù)測。實(shí)際結(jié)果表明，這一預(yù)測模型可以較好地預(yù)測未來4日上證指數(shù)的波動(dòng)區(qū)間，并且具有較高的預(yù)測精度，可以作為股票投資者的一種投資參考，有效地規(guī)避風(fēng)險(xiǎn)，從而獲取更大的收益。

參考文獻(xiàn)：

[1]王文波，等基于EMD與神經(jīng)網(wǎng)絡(luò)的中國股票市場預(yù)測[J].系統(tǒng)工程理論與實(shí)踐，2010，30（6）：102.7-103.3.

[2]任崇嶺，等基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測研究[J].科學(xué)技術(shù)與工程，201.1，1.1（2.1）：5099-5.103.

[3]潘曉明，等基于遺傳算法神經(jīng)網(wǎng)絡(luò)集成股票市場預(yù)測研究[J].廣西師范學(xué)院學(xué)報(bào)，2007，2.4（1）：77-83.

[4]劉沛漢，等基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測[J].水電能源科學(xué)，2016，3.4（1）：2.1.1-2.1.4.

篇3

關(guān)鍵詞；一體化高清網(wǎng)絡(luò)、Linux操作系統(tǒng)、安防監(jiān)控系統(tǒng)、網(wǎng)絡(luò)監(jiān)控綜合管理平臺

中圖分類號： G250 文獻(xiàn)標(biāo)識碼： A

一、一體化高清網(wǎng)絡(luò)監(jiān)控綜合管理平臺基本概況

大華DSS7016綜合監(jiān)控管理平臺可視為一款硬件化一體機(jī)，采用Linux操作系統(tǒng)及專業(yè)定制的硬件平臺，支持4核CPU，標(biāo)配4G內(nèi)存(最高支持16G)。該機(jī)支持安裝帶面板鎖的液晶屏，既可保護(hù)存儲數(shù)據(jù)不被惡意破壞，又可通過液晶屏對系統(tǒng)信息進(jìn)行顯示、平臺參數(shù)配置等操作。打開液晶屏面板，可看到正面上側(cè)左端為開機(jī)鍵及狀態(tài)指示燈，中間是連接液晶屏的數(shù)據(jù)插口，右側(cè)則是兩個(gè)便于鼠標(biāo)等USB設(shè)備插拔的USB接口，而主體部分即為抽拉式設(shè)計(jì)的硬盤架，支持安裝16個(gè)SATA0、SATA1標(biāo)準(zhǔn)硬盤(單硬盤最大容量為4TB，其中一個(gè)用于存儲數(shù)據(jù)庫，也可通過IP SAN擴(kuò)容)。

再轉(zhuǎn)到后面板，看到接口設(shè)計(jì)簡潔，下端從左到右依次為支持熱插拔的100V～240V寬電壓電源、4個(gè)100/1000Mbps自適應(yīng)以太網(wǎng)口(支持冗余、網(wǎng)口均衡綁定或獨(dú)立千兆網(wǎng)口應(yīng)用)、VGA本地輸出插口、2個(gè)USB插口、1個(gè)e-SATA擴(kuò)展插口、2個(gè)HDMI高清輸出口以及4個(gè)綠色接線柱。

DSS7016平臺一體機(jī)單臺設(shè)備支持管理最大設(shè)備數(shù)為500臺(最大視頻接入量為5000路)，網(wǎng)絡(luò)交換總能力為1800MB/S，支持任意500路D1@2Mbps碼流/250路720P@4Mbps碼流/125路1080P@8Mbps碼流網(wǎng)絡(luò)視頻交換輸出，同時(shí)支持500路D1@2Mbps碼流的轉(zhuǎn)發(fā)與存儲并發(fā)處理，可處理1000個(gè)用戶同時(shí)在線請求(注冊數(shù)達(dá)1萬個(gè))。高效的處理性能，使得基于該硬件平臺的軟件在接入量、流媒體轉(zhuǎn)發(fā)、存儲三個(gè)關(guān)鍵性能上都得到了極致的發(fā)揮。當(dāng)項(xiàng)目接入量比較大時(shí)，可選擇以下兩種架構(gòu)部署的模式：

堆疊模式：在主模式DSS7016基礎(chǔ)上，通過增加從模式DSS7016，增加系統(tǒng)的媒體轉(zhuǎn)發(fā)能力、媒體存儲能力以及設(shè)備接入能力，在此模式下，支持最大10級堆疊，可實(shí)現(xiàn)最大10000路視頻或1500個(gè)設(shè)備的接入和管理;

級聯(lián)模式：在主模式DSS7016基礎(chǔ)上進(jìn)行系統(tǒng)級聯(lián)，實(shí)現(xiàn)資源共享，該模式最大支持5級級聯(lián)，可實(shí)現(xiàn)最大20000路視頻或3000個(gè)設(shè)備的接入和管理。同構(gòu)化架構(gòu)在這個(gè)526mm×485mm×135mm大小的服務(wù)器中，集成了前端視頻設(shè)備管理、多硬盤管理、大容量視頻存儲、電子地圖、視頻監(jiān)視和回放、流媒體轉(zhuǎn)發(fā)等多種系統(tǒng)功能。同時(shí)，得益于高性能的網(wǎng)絡(luò)轉(zhuǎn)發(fā)傳輸技術(shù)，實(shí)現(xiàn)了大數(shù)據(jù)量的視頻數(shù)據(jù)綜合業(yè)務(wù)處理，提供了高清視頻、安全存儲、高速轉(zhuǎn)發(fā)等功能。

此種同構(gòu)化架構(gòu)技術(shù)，使得平臺的搭建更為簡單和快捷，系統(tǒng)部署也更靈活、簡便(圖1)。除傳輸網(wǎng)絡(luò)層和設(shè)備接入層外，該平臺還劃分為數(shù)據(jù)層、服務(wù)管理系統(tǒng)層、應(yīng)用系統(tǒng)層以及用戶界面層(提供設(shè)置用的B/S和日常管理用的C/S客戶端)，形成一款高效的信息整合、業(yè)務(wù)管理與決策支持平臺。通過單設(shè)備即可實(shí)現(xiàn)用戶管理、設(shè)備管理、組織管理、錄像管理、報(bào)警設(shè)置、系統(tǒng)設(shè)置、日志管理、實(shí)時(shí)監(jiān)視、云臺控制、錄像回放、報(bào)警通知、視頻上墻、語音對講、電子地圖等功能

產(chǎn)品概述

嵌入式Linux一體機(jī)，30*24小時(shí)穩(wěn)定運(yùn)行

支持1000M流媒體轉(zhuǎn)發(fā)和384M本地存儲

支持本地硬盤RAID 0、1、5

支持700M IP-SAN擴(kuò)展存儲

支持500設(shè)備和2000路前端管理接入

支持雙機(jī)熱備和負(fù)載均衡

支持本級20個(gè)堆疊和上下5級級聯(lián)部署

支持GIS地圖（Baidu、SuperMap）

支持ONVIF、GB/T28181標(biāo)準(zhǔn)協(xié)議的設(shè)備接入

支持IVS-B/PC等智能設(shè)備接入

支持平臺SDK開發(fā)包

支持前液晶板系統(tǒng)服務(wù)狀態(tài)顯示和系統(tǒng)基本參數(shù)設(shè)置

技術(shù)參數(shù)

二、港口安防監(jiān)控現(xiàn)狀和需求

秦皇島港口雜貨公司是河北港口集團(tuán)管轄的大型散雜貨碼頭綜合公司，包括多個(gè)散雜貨碼頭泊位，多個(gè)大型貨物存儲場地，商檢動(dòng)植物檢疫散糧筒倉系統(tǒng)，海關(guān)監(jiān)管倉庫，具備?？慷嗨掖笮痛巴瑫r(shí)綜合作業(yè)的能力。

在不同時(shí)期分別建設(shè)了不同功能安防監(jiān)控系統(tǒng)，各個(gè)安防監(jiān)控系統(tǒng)自成體系，獨(dú)立監(jiān)控管理各自的監(jiān)控范圍的區(qū)域，資源不能共享。

隨著社會(huì)信息化進(jìn)程的快速發(fā)展，信息技術(shù)的應(yīng)用已逐漸滲透到人類生存、活動(dòng)的各個(gè)領(lǐng)域。在競爭已達(dá)白熱化的某些領(lǐng)域，生產(chǎn)經(jīng)營管理的高效性、實(shí)時(shí)性直接影響到公司企業(yè)的生產(chǎn)效益和成本控制。作為公司的生產(chǎn)作業(yè)也必須適應(yīng)這一變化趨勢的要求，也就是說港口的建設(shè)、管理應(yīng)該向著信息化、智能化的方向發(fā)展――建立智能化港口。

視頻監(jiān)控是安全防范和生產(chǎn)監(jiān)控體系的核心，可有效對各區(qū)域?qū)嵭袑?shí)時(shí)監(jiān)控。整個(gè)視頻監(jiān)控系統(tǒng)的重點(diǎn)在于對生產(chǎn)區(qū)域、公共區(qū)域以及卡口周界的監(jiān)控。從現(xiàn)代化管理的角度出發(fā)，監(jiān)控系統(tǒng)在實(shí)現(xiàn)安全防范的同時(shí)，也能在管理方面發(fā)揮巨大作用。

因此，需要整合公司現(xiàn)有安防監(jiān)控資源，建設(shè)一個(gè)系統(tǒng)的統(tǒng)一的安防監(jiān)控管理系統(tǒng)。

三、監(jiān)控綜合管理平臺在港口中的應(yīng)用

1、監(jiān)控系統(tǒng)建設(shè)目標(biāo)和要求

分布式控制

滿足分布式監(jiān)控需求，監(jiān)控內(nèi)的用戶向監(jiān)控系統(tǒng)的資源提出控制要求時(shí)，能夠依據(jù)系統(tǒng)設(shè)置的權(quán)限，進(jìn)行資源分配。

集中網(wǎng)管

系統(tǒng)內(nèi)所有網(wǎng)絡(luò)視頻管理平臺系統(tǒng)主機(jī)都可以在不同地方，但使用軟件實(shí)現(xiàn)遠(yuǎn)程診斷和管理。

大容量、分布式的實(shí)時(shí)直播

在有限網(wǎng)絡(luò)資源環(huán)境一下，多個(gè)用戶可同時(shí)在線觀看系統(tǒng)內(nèi)任意網(wǎng)點(diǎn)的實(shí)時(shí)視頻資料。

靈活簡便的操作方式

采用網(wǎng)絡(luò)視頻，系統(tǒng)授權(quán)用戶可以直接在電腦上利用圖形化界面軟件對各設(shè)備進(jìn)行操作，進(jìn)行各種控制和處理，友好的圖形化軟件界面使得對視頻監(jiān)控系統(tǒng)的各項(xiàng)操作更加簡單易行，也可以在計(jì)算機(jī)網(wǎng)絡(luò)內(nèi)進(jìn)行操作管理。

容量、分布式的存儲結(jié)構(gòu)，管理查詢檢索方便

用戶可以按照時(shí)間，視頻源，告警聯(lián)動(dòng)視頻源，等等條件檢索錄像資料；或者自定義條件檢索錄像資料。采用數(shù)字化錄像可以做到“所看即所錄”，回放清晰度和實(shí)時(shí)調(diào)看時(shí)完全一樣，錄像資料的可利用性非常高，而且可以直接利用各種圖像處理軟件對圖像進(jìn)行加工，轉(zhuǎn)存和處理。

監(jiān)控?cái)?shù)據(jù)占用資源少

將圖像數(shù)字化以后，圖像信號和別的數(shù)字信號沒有區(qū)別，可以直接在各種現(xiàn)存網(wǎng)絡(luò)上運(yùn)行，在遠(yuǎn)程及主干傳輸上，不像傳統(tǒng)的監(jiān)控系統(tǒng)需要專門布線建立專門的傳輸通道。且經(jīng)過數(shù)字化壓縮后，每一路圖像占用的帶寬比模擬視頻要小得多，可以更加充分的利用現(xiàn)有帶寬。

結(jié)構(gòu)靈活

由于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是靈活多樣的，基于網(wǎng)絡(luò)的視頻也同樣具備結(jié)構(gòu)靈活的特點(diǎn)。不再像傳統(tǒng)的視頻監(jiān)控系統(tǒng)那樣，必須設(shè)定成星型拓?fù)?。在網(wǎng)絡(luò)的任何一個(gè)節(jié)點(diǎn)上都可以隨意的增加視頻工作站和服務(wù)器，對模擬信號進(jìn)行匯聚。而增加一個(gè)分控不再需要像傳統(tǒng)的監(jiān)控系統(tǒng)一樣需要重新布線，只需要在網(wǎng)絡(luò)所遍及的地方相關(guān)的電腦上安裝軟件即可實(shí)現(xiàn)對前端圖像的調(diào)閱和控制。

易于和其他系統(tǒng)集成

數(shù)字化后的圖像可以直接在電腦上操作和管理，可以通過軟件接口很方便的和其他相應(yīng)系統(tǒng)集成。

該系統(tǒng)建成后，能對區(qū)域內(nèi)目標(biāo)實(shí)行24小時(shí)不間斷的攝像監(jiān)控，并進(jìn)行現(xiàn)場圖像存儲，一次達(dá)到30天之久，并備份保存?？蛇M(jìn)行突發(fā)事件的實(shí)時(shí)監(jiān)控、攝錄，提供視聽資料證據(jù)，為警方破案，園區(qū)保安現(xiàn)場應(yīng)急處理提供技術(shù)上的支持。對案發(fā)后的犯罪活動(dòng)可以查找犯罪現(xiàn)場，鎖定并跟蹤追擊目標(biāo)嫌疑人，為保護(hù)企業(yè)安全提供及時(shí)信息，為打擊犯罪提供第一手資料。為港口安全生產(chǎn)作業(yè)提供有力支持。

2、監(jiān)控綜合管理平臺在港口雜貨公司安防監(jiān)控中應(yīng)用

在本項(xiàng)目中，充分考慮到視頻監(jiān)控聯(lián)網(wǎng)項(xiàng)目的系統(tǒng)需求，提出了一套完整的高可用性解決方案。本次解決方案主要分為前端系統(tǒng)方案、監(jiān)控中心、存儲方案和監(jiān)控中心平臺四大部分，其中視頻監(jiān)控聯(lián)網(wǎng)平臺是本項(xiàng)目的核心系統(tǒng)。