專利名稱：：一種空間生物學中細胞生長的數(shù)值模擬方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種空間生物學中細胞生長的數(shù)值模擬方法，特別涉及一種基于灰色系統(tǒng)和支持向量回歸的空間環(huán)境中細胞生長的建模方法，屬于空間生物學領(lǐng)域。
背景技術(shù)：
：近年來，隨著科技發(fā)展和社會需求的增加，空間資源正在逐漸被開發(fā)利用。由于細胞、生物分子水平的研究對組織工程學和臨床應(yīng)用等領(lǐng)域都有重要的意義，空間生物學逐漸成為生物等相關(guān)領(lǐng)域許多國家研究的熱點問題之一?？臻g生物學的研究成果可以促進載人航天，推動空間資源開發(fā)，實現(xiàn)作物育種，從而解決人類的生產(chǎn)、生活等相關(guān)問題。在空間生物學領(lǐng)域中，采用數(shù)學模型的方法是十分必要的。首先，在真實的航天環(huán)境中進行相關(guān)研究的代價很高，而且受實驗條件的限制，很多實驗不能在航天環(huán)境中進行。同時，被試者的數(shù)目很少，如何從有限的實驗數(shù)據(jù)中得到更多的信息，就需要數(shù)學模型來解決此問題；其次，除了空間搭載，在地基模擬的實驗中，盡管試驗機會大大增多，但是相對于正常的地面上的生物學實驗，空間生物學實驗中微重力等空間因素產(chǎn)生環(huán)境和實驗操作等方面沒有建立起一定的標準性、規(guī)范性的內(nèi)容，而且空間環(huán)境中的因素影響細胞等的作用機理尚不清楚，這給相關(guān)的實驗人員帶來了很大的困惑。其中比較典型的是他們無法檢驗特定時間點上或時間段內(nèi)實驗結(jié)論的正確性，從而阻礙了實驗的進展。第三，數(shù)學建模等建模方法可以促進傳統(tǒng)實驗難以實現(xiàn)的細胞等生物結(jié)構(gòu)的網(wǎng)絡(luò)組成、復雜動力學行為的研究，并獲得對它們與環(huán)境間相互作用和未來發(fā)展的有根據(jù)預測?；谝陨洗嬖诘膯栴}以及數(shù)學模型在空間生物學研究領(lǐng)域中的重要性，有必要建立空間生物學相關(guān)數(shù)學模型。數(shù)學建模將會為空間生物學領(lǐng)域相關(guān)研究提供一種新的方法。它通過根據(jù)已獲得的知識和實驗數(shù)據(jù)構(gòu)造相應(yīng)的數(shù)學模型，從而能夠?qū)崿F(xiàn)模擬和預測相關(guān)的信息，并力求用數(shù)學模型的方法分析空間生物學相關(guān)現(xiàn)象的作用機理，對真實的實驗進行指導或驗證，推進研究進展，從而確保為這一領(lǐng)域的相關(guān)研究人員提供一定的幫助?；疑到y(tǒng)理論的研究對象是“部分信息已知、部分信息未知”的“小樣本”、“貧信息”不確定性系統(tǒng)，它通過對“部分”已知信息的生成，開發(fā)實現(xiàn)對研究對象較為確切的描述和認識。Verhulst模型是灰色系統(tǒng)模型的主要內(nèi)容之一，主要用于描述具有飽和狀態(tài)的過程，即“S”形過程，常用于人口預測、生物生長、繁殖預測和產(chǎn)品經(jīng)濟壽命預測等。利用該模型進行灰色系統(tǒng)預測的實質(zhì)是一次累加生成，其基本原理是將原始數(shù)列一次累加后，形成明顯的指數(shù)規(guī)律，然后用一條曲線去擬和累加生成，再累減還原即可得到預測值。支持向量回歸基于結(jié)構(gòu)風險最小化的原理，將實際問題通過非線性映射，將數(shù)據(jù)集映射到高維特征空間，在高維空間中進行線性回歸，實現(xiàn)原低維空間中的非線性回歸，得到已有信息下的全局最優(yōu)解。這種方法的優(yōu)點是保證了支持向量回歸算法有限樣本情況下模型的較好的泛化能力，最佳推廣能力，輸出函數(shù)的平滑性和更為可靠的結(jié)果。這將保證采用支持向量機建立預測模型能夠?qū)崿F(xiàn)對小樣本信息高精度的模擬和預測。
發(fā)明內(nèi)容本發(fā)明的目的是為空間生物學中相關(guān)研究提供了一種新的途徑，即提供一種基于灰色系統(tǒng)和支持向量回歸的空間生物學中細胞生長的數(shù)值模擬方法。本發(fā)明依據(jù)灰色系統(tǒng)和支持向量回歸理論，根據(jù)獲得的有限的實驗數(shù)據(jù)，建立一種高精度、適合于空間生物學相關(guān)實驗的數(shù)學模型，可以較高精度的實現(xiàn)相關(guān)實驗數(shù)據(jù)的模擬和預測，從而對真實的實驗進行指導和驗證，推進研究進展。本技術(shù)方案是通過以下途徑來實現(xiàn)的步驟一、對當前重力參數(shù)條件下待研究細胞生長的原始樣本序列X(°)={x(°)⑴，x(0)(2)，......，x(0)(n)}進行一次累加生成，其中x(°)⑴，x(°)(2)，......，x(0)(n)分別代表第1，2，......，n天細胞的增殖數(shù)據(jù)，增殖數(shù)據(jù)通過亞甲藍方法獲得，并通過酶標儀用所吸收的光度值表示，對應(yīng)細胞個數(shù)；并且x(°)⑴>0，i=1，2，......，n；累加生成后得到的)]，其中之⑴㈨二^義⑴㈨+義⑴化一鞏女二之)......n步驟二、建立離散時間微分方程模型此方程即為灰色系統(tǒng)Verhulst模型；其中，a為發(fā)展系數(shù)，b為灰作用量；對灰色系統(tǒng)Verhulst模型的白化方程的參數(shù)a和b進行最小二乘估計，所述灰色系統(tǒng)Verhulst模型的白化方程為辦⑴(0并且灰色系統(tǒng)Verhulst模型的參數(shù)a和b的最小二乘估計應(yīng)滿足由此得出參數(shù)a和b的值；其中i=為灰色系統(tǒng)Verhulst模型中參數(shù)a和b組成的參數(shù)列，且步驟三、利用參數(shù)a和b的值確定灰色系統(tǒng)Verhulst模型的白化方程的時間響應(yīng)函數(shù)x(1)(t)步驟四、將白化方程的時間響應(yīng)函數(shù)轉(zhuǎn)化為灰色系統(tǒng)Verhulst模型的時間響應(yīng)序列i⑴(幻步驟五、按照下式進行累減得到“還原值”X(0)={x(0)(l),x(0\2),……,x，其中<mrow><msup><mi>Z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>[</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>]</mo><mo>,</mo><mi>k</mi><mo>=</mo><mn>2,3</mn><mo></mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mi>n</mi></mrow>步驟二、建立離散時間微分方程模型x(0)(k)+a·z(1)(k)＝b(z(1)(k))2此方程即為灰色系統(tǒng)Verhulst模型；其中，a為發(fā)展系數(shù)，b為灰作用量；對灰色系統(tǒng)Verhulst模型的白化方程的參數(shù)a和b進行最小二乘估計，所述灰色系統(tǒng)Verhulst模型的白化方程為<mrow><mfrac><mrow><mi>d</mi><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mi>dt</mi></mfrac><mo>+</mo><mi>a</mi><mo>&CenterDot;</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mi>b</mi><msup><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mrow>并且灰色系統(tǒng)Verhulst模型的參數(shù)a和b的最小二乘估計應(yīng)滿足<mrow><mover><mi>A</mi><mo>^</mo></mover><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi></mrow>由此得出參數(shù)a和b的值；其中為灰色系統(tǒng)Verhulst模型中參數(shù)a和b組成的參數(shù)列，且<mrow><mi>Y</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>,</mo><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>步驟三、利用參數(shù)a和b的值確定灰色系統(tǒng)Verhulst模型的白化方程的時間響應(yīng)函數(shù)x(1)(t)<mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></mrow><mrow><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mi>at</mi></msup></mrow></mfrac></mrow>步驟四、將白化方程的時間響應(yīng)函數(shù)轉(zhuǎn)化為灰色系統(tǒng)Verhulst模型的時間響應(yīng)序列<mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></mrow><mrow><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mi>ak</mi></msup></mrow></mfrac></mrow>其中k＝1，2，......，n；步驟五、按照下式進行累減得到“還原值”也就是樣本序列X(0)＝{x(0)(1)，x(0)(2)，......，x(0)(n)}的模擬值，實現(xiàn)該細胞生長初步的模擬和預測，其中<mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mi>a</mi></mrow></msup></mrow><mrow><msup><mi>b</mi><mn>2</mn></msup><mo>[</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><msup><mrow><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>]</mo></mrow><mn>2</mn></msup><mo>+</mo><mrow><mo>(</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mrow><mi>a</mi><mrow><mo>(</mo><mn>2</mn><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup></mrow></mfrac><mo>,</mo></mrow>k＝1，2，......，n；且x(1)(0)＝x(0)(1)，當k＝1時等于x(0)(1)；步驟六、對原始樣本序列X(0)＝{x(0)(1)，x(0)(2)，...，x(0)(k)，...，x(0)(n)}和模擬值相減，獲得相應(yīng)的誤差序列E＝{ε(1)，ε(2)，...，ε(k)，...，ε(n)}，其中k＝1，2，......，n；步驟七、對誤差序列E進行歸一化處理，得E′＝{ε′(1)，ε′(2)，...，ε′(i)，..，ε′(n)}，作為支持向量回歸模型的訓練樣本數(shù)據(jù)；給定訓練集T＝{(x1，y1)，.......，(xl，yl),∈(Rn×R)l，其中xi∈Rn，yi∈R，i＝1，......，l，Rm為m維歐氏空間，R為一維歐氏空間，l為訓練點的個數(shù)；對于m維輸入值xi，第一維是E′中的ε′(i)，其余各維補零；輸出yi為E′中的ε′(i+1)，據(jù)此尋找R″上的一個實值函數(shù)g(x)，使每個yi等于對應(yīng)的g(xi)，用于推斷并獲得任一輸入xi所對應(yīng)的輸出值yi；步驟八、為了利用歸一化后的誤差序列E′的前n-2個序列值建立相關(guān)的支持向量回歸模型從而實現(xiàn)模擬，首先選擇核函數(shù)K(xi，xj)；步驟九、利用交叉檢驗生成最優(yōu)的模型參數(shù)①.首先隨機地將步驟七中的訓練集T＝{(x1，y1)，.......，(xl，yl)}∈(Rn×R)/剖分為β份訓練模型，β可根據(jù)實際需要選取；利用交叉檢驗搜索最優(yōu)參數(shù)即每次利用β-1份訓練模型，用剩余1份驗證模型性能；②.最后以訓練模型在β次驗證數(shù)據(jù)上的性能平均值，即均方誤差(MSE)作為模型參數(shù)選取的標準，選取模型參數(shù)，包括懲罰因子C，核函數(shù)K(xi，xj)的參數(shù)σ，損失函數(shù)ω的范圍和步長；步驟十、根據(jù)步驟九獲得的模型參數(shù)，構(gòu)造并求解凸二次規(guī)劃問題，得到的解為所述凸二次規(guī)劃問題為<mrow><munder><mi>min</mi><mrow><mi>&alpha;</mi><mo>,</mo><msup><mi>&alpha;</mi><mo>*</mo></msup></mrow></munder><mo>[</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>(</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mi>T</mi></msup><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mrow><mo>(</mo><msub><mi>&alpha;</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>&alpha;</mi><mi>j</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>]</mo><mo>+</mo><mi>&omega;</mi><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>+</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow>滿足此即為原始最優(yōu)化問題的對偶問題；其中，αi，為Lagrange乘子向量，yi為步驟七給定訓練集中對應(yīng)于輸入xi的輸出；上標T表示向量的轉(zhuǎn)置；步驟十一、計算偏差B選取位于開區(qū)間(0，C)中的α(*)的分量αj，若選到的是αj，則<mrow><mi>B</mi><mo>=</mo><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>&omega;</mi><mo>;</mo></mrow>若選到的是則<mrow><mi>B</mi><mo>=</mo><msub><mi>y</mi><mi>k</mi></msub><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>&omega;</mi><mo>;</mo></mrow>步驟十二、利用步驟九生成的最優(yōu)的模型參數(shù)和步驟十一獲得的偏差B，訓練生成支持向量回歸模型<mi>g</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mrow><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow><mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>B</mi></mrow>其中，g(xi)，i＝1，2，...，n即為支持向量回歸模型所得的對應(yīng)歸一化后的誤差序列E′的模擬值；步驟十三、由步驟十二中的回歸模型計算得出g(xi)，i＝n+1，LL，此即為對應(yīng)歸一化后的誤差序列E′的預測值。FSA00000114082500015.tif,FSA00000114082500023.tif,FSA00000114082500025.tif,FSA00000114082500026.tif,FSA00000114082500028.tif,FSA00000114082500029.tif,FSA000001140825000210.tif,FSA00000114082500031.tif,FSA00000114082500033.tif,FSA00000114082500034.tif,FSA00000114082500035.tif,FSA00000114082500037.tif2.根據(jù)權(quán)利要求1所述一種空間生物學中細胞生長的數(shù)值模擬方法，其特征在于，步驟一所述增殖數(shù)據(jù)通過亞甲藍方法獲得，并通過酶標儀用所吸收的光度值表示，對應(yīng)細胞個數(shù)。3.根據(jù)權(quán)利要求1所述一種空間生物學中細胞生長的數(shù)值模擬方法，其特征在于，步驟八所述核函數(shù)包括但不限于線性核函數(shù)、多項式核函數(shù)、高斯徑向基核函數(shù)，作為優(yōu)選，選擇以o為參數(shù)的高斯徑向基核函數(shù)4.根據(jù)權(quán)利要求1所述一種空間生物學中細胞生長的數(shù)值模擬方法，其特征在于，對原始樣本序列前n-2項按照步驟一十三得到細胞生長的第n-1項的預測值；然后剔除原始樣本序列中第1項，增添預測所得第n-1項，以第2至n-1項建立序列，以此作為“原始樣本序列”，重復步驟一十二，建立新陳代謝組合模型，得到細胞生長的第n項預測值。全文摘要本發(fā)明提供一種空間生物學中細胞生長的數(shù)值模擬方法，該方法首先采用灰色系統(tǒng)理論對細胞生長的原始數(shù)據(jù)進行分析處理，建立灰色系統(tǒng)Verhulst模型，并利用支持向量回歸的方法對灰色系統(tǒng)Verhulst模型所得的模擬值和原始數(shù)據(jù)的誤差序列進行回歸分析，同時建立剔除舊序列，增添新信息的新陳代謝模型。該組合模型可以實現(xiàn)對模擬微重力、正常重力和超重三種重力參數(shù)條件下的細胞生長的模擬和預測。文檔編號G06F19/00GK101853328SQ201010157488公開日2010年10月6日申請日期2010年4月28日優(yōu)先權(quán)日2010年4月28日發(fā)明者李勤,李曉瓊,胡曉明,辛怡,鄧玉林,高海濤申請人:北京理工大學