Statistical correction for functional metagenomic profiling of a microbial community with short NGS reads

By sequence homology search, the list of all the functions found and the counts of reads being aligned to them present the functional profile of a metagenomic sample. However, a significant obstacle has been observed in this approach due to the short read length associated with many next-generation sequencing technologies. This includes artificial families, cross-annotations, length bias and conservation bias. The widely applied cut-off methods, such as BLAST E-value, are not able to solve the problems. Following the published successful procedures on the artificial families and the cross-annotation issue, we propose in this paper to use zero-truncated Poisson and Binomial (ZTP-Bin) hierarchical modelling to correct the length bias and the conservation bias. Goodness of fit of the modelling and cross-validation for the prediction using a bioinformatic simulated sample show the validity of this approach. Evaluated on an in vitro-simulated data set, the proposed modelling method outperforms other traditional methods. All three steps were then sequentially applied on real-life metagenomic samples to show that the proposed framework will lead to a more accurate functional profile of a short-read metagenomic sample.     

股市的可测性

本文运用波浪理论，循环理论，技术分析等测市工具，利用计算机进行模拟、运算，深入研究深沪股市，探索如何在投机市场中获取丰厚的回报     

短期利率跳跃-扩散模型的非参数门限估计

跳跃行为是短期利率动态过程的一个重要特征,跳跃-扩散模型能更好的描述短期利率行为。本文应用非参数门限估计对短期利率的跳跃-扩散模型进行了仿真实验和实证分析。仿真实验表明,门限估计能有效消除传统非参数估计对跳跃-扩散模型的估计偏差,估计参数具有无偏性。对上海银行间同业拆借利率(Shibor)的实证分析发现,门限估计有效探测到了短期Shibor的跳跃行为,且这种跳跃行为和宏微观的经济金融现象相一致。最后和扩散模型的实证比较得到,基于门限估计的跳跃-扩散模型对短期利率分布的偏度和峰度的拟合能力更优。     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

短视频场域下主流意识形态认同的现实境遇及提升策略

短视频是继文字、图片、长视频之后兴起的又一种互联网内容传播载体，深刻改变着网络传播格局和舆论生态，已成为意识形态交锋角逐的主要场域和前沿阵地。短视频场域给主流意识形态认同带来了一系列新机遇：短视频视听化呈现、个性化推荐、裂变式传播的特征，可以给人“沉浸式的体验感”和“拟真化的在场感”，可促进主流意识形态内容的智能化生产，推动主流意识形态传播迅速抢占热点和回应舆情，有助于提高主流意识形态的传播温度、改善投递精度及扩大辐射广度。同时，意识形态领域的许多新问题新情况都是因网而生、因网而增的，短视频场域也给主流意识形态认同带来了一系列新的挑战：多元化格局冲击主流意识形态的政治权威性、碎片化信息消解主流意识形态的理论系统性、娱乐化语境遮蔽主流意识形态的价值崇高性，使得公众对主流意识形态的认同取向变得迷茫、认同内容趋于表面、认同情感逐渐淡化。鉴于此，应通过把好主方向、唱响主旋律、优化主渠道、筑牢主阵地等策略，化挑战为契机，在坚持主流引领中提升政治认同，在加大优质供给中提升理论认同，在创新话语表达中提升情感认同，在多元主体协作中提升行为认同，切实提升主流意识形态认同效果。     

巷道瓦斯爆炸二次反冲的数值模拟

通过建立瓦斯爆炸流场的数学模型，运用ＴＶＤ（ｔｏｔａｌ ｖａｒｉａｔｉｏｎ ｄｉｍｉｎｉｓｈｉｎｇ）格式的有限差分方法，模拟了瓦斯爆炸冲击波峰值超压沿井巷的衰减规律，着重反映了冲击波二次反冲过程，其结果对于实际防爆工程设计具有指导意义。