摘要:蛋白质与配体相互作用在生命过程中是普遍存在且不可或缺的，这种相互作用在生物分子的识别和信号传递过程中起着非常重要的作用。识别出蛋白质与配体相互作用的绑定残基对蛋白质功能研究、药物设计和筛选都有着重要的科学意义，而生物计算方法是蛋白质与配体绑定残基预测研究中的一种重要手段。本文首先给出了蛋白质与配体相互作用的绑定残基的一般性定义；其次，总结出了一种蛋白质与配体绑定残基预测方法的分类体系，并对其中一些代表性的预测方法进行了简要阐述；再次，给出了蛋白质与配体绑定残基预测研究中常用的数据库和评价指标，并通过在相关数据集上进行实验比较了具有代表性的预测方法的性能；最后，对若干挑战性问题进行分析并预测该领域未来的研究方向，以期对相关研究提供一定的参考。

摘要:针对一般的雷达目标探测系统，建立了目标探测信息的理论模型，即采用香农信息论的思想和方法研究雷达探测过程中获得的关于目标的位置信息量和幅相信息量。该模型中，针对单目标检测，假设目标在观察区间内服从均匀分布，而散射系数分为常数和服从瑞利分布两种情形，推导出目标的位置信息和幅相相位信息的闭合表达式。在高信噪比条件下，获得了散射系数为常数情况下目标位置信息的解析表达式和克拉美罗界（Cramér-Rao bound，CRB）。理论分析表明，目标的位置信息量与雷达探测系统的时间带宽积（Time-bandwidth product，TBP）和信噪比（Signal to noise，SNR）的对数成线性关系。仿真结果验证了理论分析的正确性，并给出了雷达目标探测的两个重要阶段：目标捕获阶段和目标跟踪阶段。本文的研究工作对实际雷达探测系统设计具有重要的理论指导意义。

摘要:近年来，物理层网络编码（Physical-layer network coding，PNC）作为一种全新的数字通信方式引起了广泛的研究兴趣。与多数数字通信系统类似，符号时钟在PNC中起着至关重要的作用，然而已有研究结果多假设符号时钟完全已知，对PNC的时钟估计研究较少。针对这一现状，本文基于最大似然估计准则，提出一种基于正交训练序列的低过采样率（每个码元的采样点数）的时钟估计算法，该时钟估计算法具有采样速率低和估计精度高的双重优势。仿真表明，在相同过采样率，信噪比5 dB的条件下，均方误差性能比已知的优选采样点算法约提升一个数量级。

摘要:针对机动目标步进频率回波信号一维距离像模糊的问题，本文提出了基于求和立方相位函数（Integrated cubic phase function，ICPF）的运动参数估计和补偿方法。首先，构建机动目标的步进频率回波三阶相位信号模型，采用一阶差分处理实现相位降阶。其次，计算降阶信号的ICPF，依次估计和补偿加速度以及速度引入的误差相位。然后，对运动补偿后信号进行IFFT处理可以获得目标高分辨一维距离像。其中，对加速度和速度的估计只需要进行一维搜索，算法运算量很小。最后，分别在无噪声和较低信噪比的情况下进行计算机仿真，实验结果验证了本文所提方法的有效性。

摘要:基于张量模型的参数估计是雷达信号处理的一个发展趋势，然而现有张量算法无法在估计精度和计算复杂度方面达到良好的折衷。为解决上述问题，提出一种三维压缩感知（Three-way compressive sensing，TWCS）的多输入多输出雷达角度估计算法。利用匹配滤波后的信号内部隐含的多维结构，将接收数据堆叠成一个三阶张量模型。为降低高维张量在存储和计算方面的复杂性，利用高阶奇异值分解对高维张量数据进行压缩。其次将压缩后的张量与三线性模型相联系，获取压缩的方向矩阵。利用目标角度在所处背景的稀疏性，设计两个过完备字典，采用优化的方法获取目标角度。由于利用了接收数据的多维结构，TWCS中参数估计的精度要优于传统的子空间算法。此外所提TWCS算法不需要额外配对计算，且能进一步获取目标的多普勒信息。最后，利用仿真实验验证TWCS算法的估计效果。

摘要:在自学习超分辨算法中，高低分辨率图像块匹配是否准确是算法的关键。在高低分辨率图像块匹配过程中，考虑图像块纹理结构的重要性，提出了一种基于纹理约束的图像块相似性度量模型，应用该模型完成了高低分辨率图像块更为准确的匹配，使超分辨结果图像的细节更加丰富，进一步提高了图像质量。该算法仅使用了单幅低分辨率图像自身的相关先验信息，有效提升了图像的空间分辨率。实验结果表明，与双三次插值算法、自相似学习超分辨算法相比，本文提出的算法超分辨视觉效果更好，并且在客观评价指标中同样表现良好。

摘要:基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中，为克服互信息配准方法的不足，结合图像空间结构信息，本文提出一种基于边缘特征点互信息熵的医学图像配准方法，设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓；然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数，并通过最小化能量函数来获取配准参数；最后，结合梯度下降法优化策略，实现图像配准。实验研究表明，该方法在保证了配准精度的同时，配准速度较快、鲁棒性较好、综合性能优良，具有一定的临床推广价值。

摘要:为了提高图像分割算法对图像显著区域的抓取能力及效率，将超像素思想与分水岭算法相结合，并且在模糊C均值聚类算法（Fuzzy C-means，FCM）的基础上进行改进，提出了一种基于网格化局部分水岭的模糊聚类算法。该方法先根据区域方差将图像进行不均匀网格化，再对每个网格使用局部最优阈值的分水岭算法，减少了全局分水岭带来的局部信息遗失，获得各个网格内的显著性聚水盆，再实施区域融合，将每个标记区域的灰度均值化，最后使用考虑区域面积的FCM进行聚类，得到最终的分割图像。实验结果表明，该算法对噪声的鲁棒性强，能够有效剔除干扰区域，分割出图像中的显著区域，同时也具有较低的时间复杂度。

摘要:提出了一种基于多通道图判别投影HAAR特征的多视角人脸检测算法。该算法首先将人脸图像提取多通道图，降低图像中的光照和噪声影响；其次基于正负训练样本集利用线性判别投影学习增强HAAR特征，提高特征判别能力；然后计算训练样本的增强HAAR特征在多通道图中的响应，并利用非对称GentleBoost算法进行特征选择生成一组弱分类器；最后利用线性非对称分类器重新调整强分类器的权重和阈值。该方法不仅提高了特征的判别能力，而且实现了非平衡正负样本空间的合理划分。实验结果表明：该方法与当前经典方法相比具有更快的检测速度和更高的检测精度。

摘要:主动脉图像自动分割技术在主动脉疾病的早期诊断、风险评估及手术治疗中发挥重要作用。本文采用了基于多图谱的医学图像分割技术，并将之与联合标签融合（Joint label fusion，JLF）策略相结合应用于3D主动脉CT图像的自动分割问题中。联合标签融合策略考虑了各个图谱之间的相互关系，能够有效抑制图谱间冗余信息的干扰，进而提高标签融合精度。本文提出了一种图谱更新算法以应对图谱数量不足的问题，在提高分割精度的同时，保持了较低的计算复杂度。在15例主动脉CT图像数据上的分割结果表明，本文方法能有效地对3D主动脉图像进行分割，与3种基于传统融合方式的图谱分割法相比，本文方法具有更高的分割精度。

摘要:标签传播算法是一种被广泛应用的社区发现算法，该算法为网络中的每个节点分配一个初始标签，然后通过传播标签来发现复杂网络中的潜在社区，具有时间复杂度低的特点。当前基于标签传播的重叠社区发现算法存在忽略节点重要性差异、需要人为设置参数等不足。针对该类算法在重叠社区发现方面的缺陷，提出一种基于多标签传播的重叠社区发现优化算法。该算法使用K-核分解方法找出若干个社区核心节点，以这些节点为种子节点，逐层向外传播标签；在进行标签选择的时候以邻居节点标签的种类来决定重叠节点的标签个数。实验表明，该算法明显改善了社区发现的性能，提高了划分结果的稳定性和准确性。

摘要:光学相干层析成像技术（Optical coherence tomography，OCT）在视网膜检查中十分重要，然而在获取OCT图像时眼球运动或者散焦作用都可能引起图像的模糊，从而为临床诊断造成困难。因此，从模糊OCT图像中恢复出清晰图像的去模糊技术研究至关重要。本文结合OCT成像原理，提出了一种基于最大期望（Expectation-maximization，EM）算法的OCT图像反卷积技术。该技术能够在一定程度上抑制OCT模糊图像中异常值对复原图像的干扰，从而有效去除OCT图像中的模糊。将本文技术与多种现有广义图像去模糊技术进行了实验比较，结果表明本文提出的复原OCT图像的反卷积算法在眼底OCT图像去模糊的细节恢复方面效果较好。

摘要:针对短时傅里叶变换与小波变换对心电图（Electrocardiogram，ECG）信号特征提取不足以及心律失常识别困难的问题，提出了一种基于S变换特征选择的心律失常分类算法。首先对ECG信号进行S变换，并从幅值和相位两个角度提取ECG信号的时频特征，与形态特征和RR间隔组成原始特征向量。然后将遗传算法与支持向量机（Support vector machine，SVM）结合组成Wrapper式特征选择方法，并在其中融入ReliefF算法，即采用ReliefF算法计算特征权重，并根据特征权重大小来指导遗传算法种群初始化，遗传算法以SVM的分类性能作为适应度函数来搜索特征子集。最后使用"一对多"（One against all，OAA）SVM对MIT-BIH心律失常数据库8种类型心拍进行分类。实验结果表明，该算法达到了较好的分类效果，灵敏度、特异性和准确率分别为96.14%，99.75%和99.81%。

摘要:特征选择是机器学习和数据挖据中一个重要的预处理步骤，而类别不均衡数据的特征选择是机器学习和模式识别中的一个热点研究问题。多数传统的特征选择分类算法追求高精度，并假设数据没有误分类代价或者有同样的代价。在现实应用中，不同的误分类往往会产生不同的误分类代价。为了得到最小误分类代价下的特征子集，本文提出一种基于样本邻域保持的代价敏感特征选择算法。该算法的核心思想是把样本邻域引入现有的代价敏感特征选择框架。在8个真实数据集上的实验结果表明了该算法的优越性。

摘要:针对传统批处理主成分分析工作模态参数识别中存在的矩阵奇异值或特征值分解病态问题，本文提出了一种基于自迭代主元抽取的工作模态参数识别方法。与传统批处理主成分分析通过矩阵分解一次获得所有主成分不同，该方法通过自迭代逐一抽取主成分从而实现主要贡献工作模态的逐一识别。理论分析表明，该方法的时间复杂度和空间复杂度比传统批处理主成分分析工作模态参数识别方法更低。在简支梁仿真数据集上的识别结果表明，自迭代主元抽取算法可以从平稳随机响应信号中有效地识别出线性时不变结构的主要贡献模态振型和固有频率，在响应测点和采样时间较多时其时间开销较传统方法也更小。

摘要:传统的用户属性推断方法主要基于机器学习及统计学习，其推断方法忽略了用户的整体表征及任务之间的相关性。本文提出一种基于多任务融合模型的用户属性推断方法，利用doc2vec独特的结构特性，加入文档向量以实现用户整体表征，避免人工提取特征的局限性。为实现用户多属性推断任务，本文提出基于关联学习的多任务融合推断框架，即在分别识别用户多个属性基础上赋予单用户多属性表征，在增强用户整体表征能力的同时，建立多个属性间的关联关系，提高单任务学习的区分度；然后采用模型融合技术，完成属性间关联学习，提高学习准确率及模型泛化能力，同时使用尽可能少的模型进行融合，提高模型运行效率。经实验比对，本文在多个数据集上的实验结果较其他算法有一定优势。

摘要:卷积神经网络（Convolutional neural network，CNN）是一种常见的深度学习模型，受人类视觉认知机制启发而来，能够从原始图像得到有效的特征表达。CNN模型在图像识别领域不断取得突破，但是在训练过程中需要花费大量时间。随机森林（Random forest，RF）在分类和回归上具有很高的精度，训练速度快并且不容易出现过拟合的问题，现有的基于RF的分类器都依赖手工选取的特征。针对以上问题，本文提出了基于CNN的C-RF模型，把CNN提取到的特征输入RF中进行分类。由于随机权值网络同样可以得到有效的结果，所以不用梯度算法调整网络参数，以免消耗大量时间。最后在MNIST数据集和Rotated MNIST数据集上进行了实验，结果表明C-RF模型的分类精度比RF有了较大的提高，同时泛化能力也有所提升。

摘要:提出一种优化传统协同聚类中模糊点类别归属的改进算法，该算法引入基于清晰半径的新相似性距离公式，用超球体中心区域代替传统算法中的类中心，在各子集初始聚类结果的基础上，对容易导致类别归属错误的模糊点重新计算隶属度，得到较为清晰的聚类结果。实验结果显示，改进算法能很大程度地减少边界上的模糊点个数及纠正分类错误，清晰半径的引入还能弱化各子集之间协同系数的差异，使得参数设置更为简单。

摘要:在多示例学习（Multi-instance learning，MIL）中，核心示例对于包类别的预测具有重要作用。若两个示例周围分布不同数量的同类示例，则这两个示例的代表程度不同。为了从包中选出最具有代表性的示例组成核心示例集，提高分类精度，本文提出多示例学习的示例层次覆盖算法（Multi-instance learning with instance_level covering algorithm，MILICA）。该算法首先利用最大Hausdorff距离和覆盖算法构建初始核心示例集，然后通过覆盖算法和反验证获得最终的核心示例集和各覆盖包含的示例数，最后使用相似函数将包转为单示例。在两类数据集和多类图像数据集上的实验证明，MILICA算法具有较好的分类性能。

摘要:当前传统交通事故检测和查阅主要通过人工监测的方法，这种方法效率低且实时性差，本文提出一种基于最新压缩域视频编码标准HEVC（High-efficiency video coding）的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理，之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度，然后根据运动强度值和八连通区域法提取出运动对象，最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明，该方法可以准确地检测出视频序列中发生的车辆异常事件；对于有着快速移动的运动目标以及多个运动目标的视频效果更好。

摘要:图像感兴趣区域标注是近年来图像处理领域的重要研究课题之一。利用中低层次信息相结合的方式确保中低层信息相互补充，可以得到可靠结果。中层次显著图由改进的Harris角点形成的凸包区域与GBR超像素聚类结果相结合得到，低层次信息由不同权重的高斯差分滤波器对图像进行处理得到。最后通过加权融合两个层次显著图得到最终结果。本文利用微软亚洲研究院公开数据库对实验结果进行验证，并选取其他前沿方法进行对比，从主观和客观角度对实验结果进行判断，本文方法结果较好，可准确定位显著度区域并高亮表示，同时可有效消除背景噪声。