基于ACO优化SVM参数的蛋白质耐热性预测
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.
蚁群算法、支持向量机、耐热性、机器学习
31
Q433(分析器生理学(感官生理学))
国家自然科学基金资助项目21001053
2014-05-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
166-170