复旦大学2000 一填空(20) 1.以磷脂酰胆碱为例构成质膜与内膜的磷脂类是在膜的面由 等 酶作用完成的然后在作用下,一部分转向 2.具有信号肽编码的mRNA和核糖体大小亚单位结合后能附着在ER上进行蛋白质合成,至少与胞质中颗粒,ER膜上的以及等结构成分有关

中科院99(A) 一.填空和名词解释(3/30) 1.跨细胞膜物质转运的形式有和 2.K+平衡(逆转)电位 3.听阈图 4.根据产生机制的不同,中枢抑制可分为 和 和 两类

7.1半群和独异点 7.2群与阿贝尔群 7.3子群 7.4陪集和拉格朗日定理 7.5正规子群 7.6同态和同构 7.7循环群 7.8置换群 7.9环与域

一填空(共15分) 1.细菌一般进行a繁殖,即b。酵母的繁殖方式分为有性和无性两类,无性繁殖又可 分为c,d两种形式,有性繁殖时形成e;霉菌在有性繁殖中产生的有性孢子种类 有f,g,h;在无性繁殖中产生的无性孢子种类有i,j,k:放线菌以1 方式繁殖,主要形成m,也可以通过n繁殖

一填空(共15分,每格0.5分) 1.连续培养的一个重要特征是使微生物的a和b处于某种稳定状态。连续培养的方法可分为两类,即c法,和d法。 2.放线菌是一种a生物,以b繁殖,是生产c的主要微生物。 3.赖氨酸生产菌常用a缺陷、b缺陷;苏氨酸生产菌常用c缺陷、d缺陷菌株。 4.在好氧污水处理中,有机物氧化时氧是最终的a,生物氧化的结果是产生b,新细胞利用这种c进行合成

中科院98(A) 一.填空或名词解释3*10 1.由cAMP介导的跨膜信号传递(转导),至少涉及:和三类特殊(功能)蛋白 2.肺容量中的深吸气量是和之和,是衡量的一个重要指标 3.影响机体能量代谢的因素有:和 等

1.1命题及联结词 1.2命题公式与翻译 1.3真值表和等价公式 1.4重言式 1.5范式 1.6全功能联结词集 1.7对偶式与蕴含式 1.8命题逻辑的推理理论

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

针对实时相关运动模式挖掘应用的需求,提出了一种实时地发现关闭蜂群模式的簇重组算法(CLUR).该算法维护一个候选蜂群模式列表,在每个时间戳采用基于密度的聚类算法对移动目标进行聚类,根据聚类结果组合所有的最大移动目标集,记录相应的时间集,然后构建候选蜂群模式,并更新到候选列表.算法给出了三种更新规则和一种插入规则,用于实现候选蜂群模式列表的更新,同时降低了候选列表的冗余度,提高了算法的效率.在每个时间戳结束时可通过关闭检测规则实时地发现当前时刻的关闭蜂群模式.在合成数据上的综合实验验证了CLUR算法的正确性、实时性和高效性,CLUR算法适用于实时相关运动模式挖掘系统

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性