您的位置: 专家智库 > >

贾少春

作品数:5 被引量:3H指数:1
供职机构:忻州师范学院更多>>
发文基金:国家自然科学基金更多>>
相关领域:理学文化科学生物学自动化与计算机技术更多>>

文献类型

  • 4篇期刊文章
  • 1篇会议论文

领域

  • 2篇理学
  • 1篇生物学
  • 1篇自动化与计算...
  • 1篇文化科学

主题

  • 3篇Β-发夹模体
  • 2篇结构信息
  • 1篇学理
  • 1篇支持向量
  • 1篇支持向量机
  • 1篇支持向量机算...
  • 1篇数学
  • 1篇数学差生
  • 1篇数学观
  • 1篇自相关
  • 1篇自相关函数
  • 1篇相关函数
  • 1篇向量
  • 1篇向量机
  • 1篇向量机算法
  • 1篇教育
  • 1篇教育教学
  • 1篇教育教学理念
  • 1篇矩阵
  • 1篇教学

机构

  • 3篇忻州师范学院
  • 2篇内蒙古工业大...

作者

  • 5篇贾少春
  • 2篇胡秀珍

传媒

  • 1篇内蒙古工业大...
  • 1篇忻州师范学院...
  • 1篇温州大学学报...
  • 1篇科教导刊

年份

  • 1篇2020
  • 1篇2016
  • 1篇2015
  • 1篇2012
  • 1篇2010
5 条 记 录,以下是 1-5
排序方式:
基于添加功能位点信息的组合向量预测β-发夹模体被引量:2
2012年
一条蛋白质序列通常是用多种特征来表达的,因此使用简单的特征参数对蛋白质结构进行预测,得到的效果往往不尽人意。在前人使用过的预测β-发夹的特征参数基础上,将功能位点信息添加到特征参数中,共同输入到支持向量机和随机森林两种算法,对4070条非冗余的蛋白质链中的β-发夹模体进行了预测。支持向量机算法得到的预测精度80.2%,相关系数0.60;随机森林算法得到的预测精度83.3%,相关系数0.66。
贾少春胡秀珍
关键词:Β-发夹模体自相关函数
随机森林和支持向量机算法在β-发夹模体预测中的比较
2016年
基于对β-发夹模体的预测探索,本文使用随机森林和支持向量机两种算法,对ArchDB40数据库及自建数据集中的β-发夹模体进行预测.对于同一数据集,在特征参数和检验方法均相同的情况下,随机森林算法的预测精度要高于支持向量机算法.此外,由于随机森林算法在参数维数较高的情况下不会发生过拟合现象,所以本文采用了将高维特征参数输入随机森林算法的方法来预测β-发夹,得到了较好的预测效果:对ArchDB40数据库中的β-发夹进行预测,其5-交叉检验的预测精度和相关系数分别是83.3%和0.59;对自建数据集中的β-发夹进行预测,其5-交叉检验的预测精度和相关系数分别是85.2%和0.62.
贾少春
关键词:支持向量机算法Β-发夹模体
高中阶段数学差生的学习分析与改进研究被引量:1
2020年
本文以高中阶段数学学习困难,成绩偏差的学生为研究对象,针对他们在数学学习中的典型表现,从学生自身和教育环境两方面分析了其形成数学学习障碍的主要原因,并给出一些调整改进的建议,包括帮助学生建立正确的数学认识、保持良好的学习心态、制定合理的学习计划、寻求科学的学习方法、培养持久的学习毅力等.
贾少春
关键词:数学观教育教学理念
随机森林算法在β-发夹模体预测中的应用
2015年
基于对β-发夹模体预测的探索,文章尝试使用新的预测方法,即随机森林算法,以离散增量、矩阵打分值和预测的二级结构信息为特征参数,对Arch DB40数据库中loop长为2-8个氨基酸残基的β-发夹模体进行预测,将数据集平均分成5份,其中1份做训练集、4份做检验集,独立检验的预测精度为79.4%,相关系数为0.48。此外,对Arch DB40数据库中的β-发夹模体进行预测,在特征参数和检验方法相同的情况下,随机森林算法的预测效果要好于支持向量机(SVM)。
贾少春
关键词:Β-发夹模体
A Method of Predicting theβ-hairpin Motifs in Proteins
Supersecondary structure is a layer of structure between secondary structure and tertiary structure.β-hairpin ...
贾少春胡秀珍
文献传递
共1页<1>
聚类工具0