专利交易市场

本发明涉及一种预测DNA蛋白质结合位点的集成学习方法，其包括以下步骤：获取DNA结合蛋白质位点的蛋白质序列数据；对DNA结合蛋白质位点的蛋白质序列数据预处理；使用one‑hot编码方式构建输入数据；将提取的特征合并，构建每个蛋白质序列上氨基酸的特征，将其作为输入数据；使用SMOTE算法对正样本数据进行过采样；根据正样本大小将负样本数据分成多份，每份负样本与正样本组合成一个新的数据子集，得到N个数据子集；每个数据子集使用卷积神经网络进行训练；对N个卷积神经网络的结果进行多数投票法集成，从而得到预测结果。本发明解决了不平衡数据情况下的DNA蛋白质结合位点预测问题，提高了预测的准确性。

本发明公开了基于集成学习的二氧化氮精细化空间分布方法，收集目标区域对二氧化氮浓度产生影响因素的原始数据，将原始数据进行预处理；将预处理之后的原始数据分别与二氧化氮浓度进行相关性分析，将相关性高的原始数据作为预测变量；构建Stacking模型作为集成学习模型，利用原始数据训练Stacking模型；将训练之后的Stacking模型作为二氧化氮浓度预测模型，利用该浓度预测模型对待测区域进行二氧化氮浓度预测。本发明采用集成学习方法，融合多个机器学习模型，包括6个基模型和1个元模型，提高二氧化氮浓度的精细化空间分布预测准确度；同时减少对异常点和噪声数据的过拟合，提高模型的稳定性和泛化能力。