简介：2016年＂深圳杯＂数学建模挑战赛D题是代谢综合征风险预测问题,目的是融合临床和多组学数据对代谢综合征进行预测。本题是由深圳碳云智能科技有限公司命题,命题人是碳云科技李英睿老师,也是评阅组成员。代谢综合征是一种复杂疾病,表现为多种代谢成分的异常聚集,是一组复杂的代谢紊乱症候群。我们通常说的三高（高糖、高脂、高血压）、肥胖、糖尿病就是典型的危险因素。

简介：结合基因组学数据与生物学背景,利用数学与统计的方法研究代谢综合征的致病机理。首先,利用变异系数筛选出信息含量较高的数据,并且利用变异基因频数统计的方法确定高频变异基因。通过查阅相关文献和数据库可知,大部分高频变异基因都与代谢综合征有关。随后,研究高频变异基因对其他基因的调控情况,并且由此构建出高频变异基因的调控网络以及网络内部的协同和拮抗作用。最后,提出基于调控网络的患病风险预测模型,由此提供预防或治疗方案。

简介：链路预测是网络信息挖掘的主要研究内容，通过对网络结构和其他信息的分析，挖掘缺失的链接或预测未来可能出现的链接。链路预测在推荐系统、社会网络和生物网络分析中有着十分广泛的应用。本文首先介绍了基于公共邻居、路径和随机游走的8种常用的链路预测指标．并在此基础上提出了一种基于这8种指标线性组合的度量指标，并经过实验找出了较好的优化参数。然后，提出了基于这8种指标的神经网络模型．并分别基于Weka平台和FANN库进行了实现。在社会网络的4个公开测试集上的实验结果表明．基于FANN库的神经网络模型的预测结果最好，在4个数据集上最高的AUC值分别达到了0。95l8、0．9289、0．7480和0．8677，与单一指标最好的AUC值相比分别提高了3．92％、1．45％、7．06％和24．35％。

简介：研究翼型绕流的转捩预测方法,对于翼型流动细节的精确模拟和气动力的准确计算以及精细化设计均具有十分重要的意义.采用动模态分解（dynamicmodedecomposition,DMD）代替线性稳定性理论（linearstabilitytheory,LST）与e^N方法结合,不需要求解稳定性方程,成为一种数据驱动的翼型边界层转捩预测新方法,称为DMD/e^N方法.在原有方法的基础上,改进了DMD网格线生成方法和扰动放大N因子的积分策略,并将RANS求解器与改进的DMD/e^N方法进行耦合,实现了翼型定常绕流转捩预测自动化.采用该方法对LSC72613跨声速自然层流翼型以及NLF0416低速自然层流翼型在不同攻角下的绕流进行转捩预测,转捩点计算结果均与实验值和LST/e^N方法吻合良好.该方法计算得到的N值增长曲线与LST/e^N方法的包络线也较为吻合,进一步验证了积分策略的正确性.改进的DMD/e^N方法可作为自然层流翼型设计的新的有力工具.

简介：后掠机翼边界层的流动稳定性及转捩对翼型的设计及优化有着重要的参考价值,而横流失稳是引起后掠机翼边界层转捩的关键因素之一.以NLF(2)0415翼型为研究对象,采用三维可压缩NavierStokes方程并结合γReθt转捩模式计算了展向无限长后掠机翼的基本流场.由于原始γReθt模式只能预测流向边界层转捩,因此在原始转捩模式中添加横流间歇因子项,进而对复杂构型进行横流不稳定性转捩预测.计算结果显示,利用改进后γReθt转捩模式预测得到的后掠翼型的转捩位置与实验数据吻合较好,证明了修正的转换模式的合理性和实用性.