说明:双击或选中下面任意单词,将显示该词的音标、读音、翻译等;选中中文或多个词,将显示翻译。
您的位置:首页 -> 词典 -> 基因识别
1)  gene recognition
基因识别
1.
A self-similarity-map-based algorithm for generating negative samples and its application in prokaryotic gene recognition;
原核基因识别中的一种负样本生成算法
2.
The definition of global maximum self-similarity of gene chip data and an automatic gene recognition method based on the maximum self-similarity and local high dimensional segment alignment (DP-MS) are proposed.
讨论了基于最大相似度建立模板的方法与基于最大相似度的基因沿校对路径平均的建立模板方法对基因识别和分类的影响。
3.
The work of gene recognition is an important branch of bioinformatics.
基因识别是生物信息学的一个重要分支,随着计算机科技的飞速发展,将其应用到基因识别中有很重要的现实意义。
2)  gene finding
基因识别
1.
The generalized hidden Markov model (GHMM) is an important model for computational gene finding.
广义隐Markov模型是计算机基因识别的一种重要模型,它克服了传统隐Markov模型的状态段长成几何分布的缺陷,更加适合于计算机基因识别
2.
In this paper,the mathematical theory of Hidden Markov models is briefly introduced,and then the applications of them in gene finding are illustrated take examples for genes in Escherichia coli and Homo sapiens.
简要介绍了隐马模型的数学原理,并以大肠杆菌和人的基因识别为例说明了它在基因识别中的应用。
3)  gene identification
基因识别
1.
Prokaryotes gene identification based on nonlinear SVM
基于非线性支持向量机的原核生物基因识别
2.
Hence, computational approaches are a natural choice to complement experimental approaches to miRNA gene identification.
因此,miRNA基因识别需要寻求计算方法来弥补实验方法的不足。
3.
Base composition,period-3 behavior,codon usage and base location relation are studied re-spectively,and then the gene identification algorithm based on multiple features is proposed.
基于统计特征的基因识别算法对较长的序列预测精度较高,但对于较短的基因序列识别精度仍然不理想。
4)  new genes identification
新基因的识别
5)  gene recognition algorithm
基因识别算法
6)  Gene Pattern Recognition
基因模式识别
补充资料:"泛魔"识别模型
      一种以特征分析为基础的图像识别系统。1959年B.塞尔弗里吉把特征觉察原理应用于图像识别的过程,提出了"泛魔"识别模型。这个模型把图像识别过程分为不同的层次,每一层次都有承担不同职责的特征分析机制,它们依次进行工作,最终完成对图像的识别。塞尔弗里吉把每种特征分析机制形像地称作一种"小魔鬼",由于有许许多多这样的机制在起作用,因此叫做"泛魔"识别模型。这一模型的特点在于它的层次的划分。
  
  "泛魔"识别模型系统的图像识别共有4个层次(见图)。第一层是执行最简单任务的"映象鬼",它们只是记录外界的原始形象,正像视网膜获得外界刺激的映象;然后由"特征鬼"进一步分析这个映象。在分析过程中,每个特征鬼都去寻找与自己有关的图像特征。例如,在识别英文字母时,每个特征鬼负责报告字母的一种特征及其数量,如垂直线、水平线、斜线、直角、锐角,不连续曲线和连续曲线等;再由"认知鬼"接受特征鬼的反应,每个认知鬼都从特征鬼的反应中寻找与自己负责识别的图像有关的特征,发现了这种特征时,它就"叫喊",发现的特征越多,"叫喊"声越大;最后,"决策鬼"根据许多"认知鬼""叫喊"声的大小,选择叫喊声最大的"认知鬼"的反应作为所要识别的图像。
  
  例如在识别字母R时,"映象鬼"先对R进行编码,把信息传递给"特征鬼"作进一步加工,这时会有5个"特征鬼"分别报告图像所包括的一条垂线、两条水平线,一条斜线,3个直角和一条不连续曲线。然后许多"认知鬼"则根据所报告的这些特征及其数量来识别是否是自己负责的字母。这时D、P、R鬼都会有反应,但P鬼只有 4个特征与其符合,并有一特征(斜线)与其不符合;D鬼只有3个特征与其符合,并有两个特征(斜线、直角)与其不符合;只有R鬼有5个特征与其符合,而且这5个特征又包括了R的全部特征,所以R鬼的叫喊声最大,因此"决策鬼"就很容易地作出选择R的决定。
  
  "泛魔"识别模型对于相似的图形也可以分辨,不致混淆;对于失真的图形,如字母的大小发生变化时,识别也不致发生困难。以特征分析为基础的"泛魔"识别模型是一个比较灵活的图像识别系统。它可进行一定程度的学习,如"认知鬼"可逐渐学会怎样解释与它所负责的字母有关的各种特征;它还可以容纳具有其他功能的鬼。这个系统现在也被用来描述人的图像识别过程。
  

说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条