1) K2 algorithm
K2算法
1.
IE-K2 algorithm which constructs gene regulatory network was proposed to obtain correct execution order of nodes and to improve the execution efficiency and precision.
为获得正确的节点次序,提高K2算法的执行效率和精确度,提出一种构建基因调控网络的IE-K2算法。
2.
To overcome the defect that K2 algorithm requires the suitable order of nodes in advance while dealing with the structure learning of Bayesian Network Classifier (BNC), the algorithm GA-K2 is proposed which introduces the integer coding genetic algorithm based on selective ensemble concept to K2.
为克服K2算法在处理贝叶斯网络分类器(BayesianNetworkClassifier,BNC)结构学习中要求先指定适合节点次序的缺点,提出GA-K2算法,将基于选择性集成的整数编码遗传算法引入到K2算法中,使之能得到最佳节点次序并且网络结构收敛到全局最优。
3.
We propose to combine the gene expression data and Gene Ontology,to rank the transcription factors by their important degrees,and then construct a Bayesian network by using K2 algorithm to describe the interactions between them.
提出将基因本体论(Gene Ontology)中的背景知识同基因表达值相结合,利用GeneRank算法思想来计算转录因子的重要性排名,再通过K2算法构建贝叶斯网络以刻画这些转录因子间关系的方法。
2) K2 algorithms
K2算法
1.
We utilized the K2 algorithms and adaptive genetic algorithms to construct Bayesian network of college mathematics courses on the basis of 1984~2005 s 10 courses scores of school of statistics from a certain university.
基于某高校统计学院自1984~2005年间学生所学10门课程的成绩,利用K2算法并结合自适应遗传算法构建了课程贝叶斯网。
3) IE-K2 algorithm
IE-K2算法
1.
IE-K2 algorithm which constructs gene regulatory network was proposed to obtain correct execution order of nodes and to improve the execution efficiency and precision.
为获得正确的节点次序,提高K2算法的执行效率和精确度,提出一种构建基因调控网络的IE-K2算法。
5) Late Cretaceous to Early Palaeogene
K2-E
补充资料：BP算法
分子式：
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
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