唐珂主要论著

发布网友 发布时间：2024-10-24 13:33

我来回答

共1个回答

热心网友 时间：2024-11-04 13:17

在生物信息学领域，Ke Tang及其团队做出了许多重要贡献。以下是部分代表作：

1. "A Machine Learning Approach for The Identification of Odorantbinding Proteins from Sequence-derived Properties"（2007年），该文章提出了一种基于序列特性识别气味结合蛋白的机器学习方法，该方法为生物信息学研究提供了新的视角和工具。

2. "Gene Selection for Microarray Data Based on Least Squares Support Vector Machine"（2006年），此文章介绍了基于最小二乘支持向量机的微阵列数据基因选择方法，为基因表达分析提供了有效手段。

3. "An Analysis of Diversity Measures"（2006年），该文章深入分析了多样性度量在机器学习中的应用，为提高算法性能提供了理论依据。

4. "Linear Dimensionality Rection Using Relevance Weighted LDA"（2005年），此文章提出了相关权重线性判别分析的线性降维方法，有助于简化数据结构，提高分析效率。

5. "On the Analysis of Average Time Complexity of Estimation of Distribution Algorithms"（2007年），该文章对估计分布算法的平均时间复杂性进行了深入研究，有助于优化算法设计。

6. "Differential Evolution for High-Dimensional Function Optimization"（2007年），此文章应用差分进化算法解决高维函数优化问题，展示了该算法在生物信息学和其他复杂优化问题中的应用潜力。

7. "Feature Selection Approach for Quantitative Prediction of Transcriptional Activities"（2006年），该文章提出了定量预测转录活性的特征选择方法，有助于深入理解基因表达*机制。

8. "Feature Selection for Microarray Data Using Least Squares SVM and Particle Swarm Optimization"（2005年），此文章结合最小二乘支持向量机和粒子群优化进行微阵列数据特征选择，为生物信息学研究提供了新的工具。

9. "Nonlinear Feature Extraction Using Evolutionary Algorithm"（2004年），该文章采用演化算法进行非线性特征提取，为复杂数据结构分析提供了有效方法。

10. "Generalized LDA Using Relevance Weighting and Evolution Strategy"（2004年），此文章提出了一种基于相关权重和演化策略的广义线性判别分析方法，为数据分类和特征选择提供了新的途径。

Ke Tang及其团队的研究覆盖了生物信息学的多个方面，从基因表达分析到特征选择和降维，再到算法优化和复杂问题求解，为推动该领域的发展做出了重要贡献。

  全国农业展览馆唐珂馆长