机译:基于向量量化和离散小波变换的多分辨率表示的积极时间序列检索策略
机译:基于Delaunay三角剖分的XML文档转换为时间序列及其聚类的新方法
机译:基于PSO的时间序列数据聚类,使用改进的S变换进行数据挖掘
机译:基于I-k均值和多分辨率PLA变换的时间序列聚类
机译:机器学习模型时间序列聚类用于使用时间序列性能数据进行能量优化虚拟机的展示
机译:新西兰开始抗精神病药物治疗后新发糖尿病的比较风险:基于人群的多基线基线时间系列设计
机译:图4:(a)一种保守序列,其发生在芯片-SEQ数据集中的46,264个结合位点峰值中的79倍。说明了这种保守序列的突变分布,其中'_'表示该碱度不变; del表示此基础丢失; INS X表示新的基础X插入此基础前面。 (b)列出了几种重复的元素模式。 (c)在第一栏中,示出了由MEME芯片工具(Machanick&Bailey,2011)开采的前五个DNA主题。由CFSP算法发现的相应保守序列列于第二列中。在第三列中,列出了从突变信息转换的特定位置的评分矩阵。 MEME主题与PSSM格式的相似性与PSSM格式之间的相似性通过邮票图章比较工具(Mahony&Benos,2007)计算。这些对相似性的电子值显示在第四列中。 (d)在由GKMSVM描述符聚集的每个组中选择了一个图案,下面列出了CFSP算法的相应主题。 (e)从https://www.encodeproject.org收集的,有附加数据集(文件no:cernff100grl,cenf616irl,conf8.20cer,target:srebf1)。使用MEME工具在每个文件中选择前两个图案,并且我们的算法发现的相应主题如下所示。