前言：中文期刊網精心挑選了蝴蝶淚范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
蝴蝶淚范文1
那一世
命運的捉弄
我們走失在
輪回的路上
為此
我在佛前虔誠的膜拜
問佛
如何才能再與你相遇
佛說
緣盡 人散
何必再執著
紅塵癡戀
只是惡果
我再拜
苦苦哀求
佛嘆
如果你只能
以蝴蝶的樣子見他
卻還要千年以后
你可愿意
我點頭
相見以后
你只能擁有蝴蝶
短暫的生命
且只有在你離去的時候
他才能記起你
你可愿意
我仍舊點頭
佛沉默不語
從此
我以思念為絲
編織相思之繭
沉睡其中
一夢千年
千年的孤獨
千年的期盼
只為見你
這縷心中的執念
傾盡千年的力量
掙破千年的黑暗
終于
在這春暖花開的季節
我破繭成蝶
飛到你的面前
在相見的剎那
我淚如泉涌
有誰見過蝴蝶的眼淚
帶著千年的憂傷
千年的相思
千年的等待
只為相見的這一刻
能傾訴柔腸
可是
卻只剩無語的凄涼
我只能歌唱
有誰聽過蝴蝶的歌唱
帶著心碎的哀傷
傾入千年的柔情
我起舞在你的身旁
輕輕落在你的指上
默默的凝視
相思千年的影子
多想告訴你
我心底的憂傷
可是
在你的眼中
只有驚奇
相隔千年
你怎會認出
我現在的模樣
忍住眼里的憂傷
就讓我以蝴蝶的樣子
與你相伴
不戀花香
就讓我
停息在你的肩上
伴你潑墨成章
不戀春光
就讓我
在你的書案前
淺舞吟唱
伴你一紙墨香
漸漸的
你相視的眼神
若有所思
我看到了
你眼里的憐惜
在這將要離別的時刻
你可是記起了
我前世的模樣
就讓我最后為你
曼舞一曲
帶著不舍的淚
輕吻你的臉頰
然后
在你的掌心里
靜靜的安眠
那一刻
你終于記起了一切
我看到了你眼里的
哀傷與絕望
淚滴在我的臉上
我寸斷肝腸
好想告訴你
親愛的
我不要你的心傷
只愿我千年的癡戀
能感動佛
來世
蝴蝶淚范文2
飛在那茫茫大雪中，
一直在尋找的，
是真摯，
是感動，
是溫暖
……
我獨在看著蝴蝶，
不知為何，
有一絲，
憂傷、失望。
那只蝴蝶，
永找不到真摯。
就像冰的心，
永遠也找不到
……
蝴蝶流淚了，
化成月亮，
為星星做伴。
可冰的心，
用不屬于，
蝴蝶淚范文3
記得，
你剛來的時候很嬌氣，
不愿意和我們一起玩。
但是，
是我改變了你。
你就像變了一個人，
不在那麼嬌氣了，
從那以后，
我便發現，你是一個特別的女孩。
有著不平凡的意志。
從此，
我們一起玩耍，一起吃東西，一起睡覺。
這些，你都還記的么？
你從小就很柔弱，而我卻很堅強。
摔倒了，你哭，你鬧。
而我，卻堅強的爬起來，去安慰你。
這些，你都還記的么？
但是，
現在不同了，
你長大了，
已經不再柔弱了。
做什么事都很堅強。
這些，你都還記的么？
過你12歲的生日的時候，
你買了個大蛋糕，
請我們這些小朋友來給你過生日，
我們為你帶上生日帽，
我相信，
那一次是你過得最快樂的生日。
這些，你都還記的么？
而現在，你要搬家了，只搬走一個暑假，
但是，
你知道么？
一個暑假是多麼漫長??！
這些，你都想過么？
暑假里，希望你還能上小荷，
我們一起聊聊天，
那該是多么快樂??！
今天，
蝴蝶淚范文4
關鍵詞：模糊支持向量機；跨膜蛋白；折疊類型；氨基酸殘基指數
中圖分類號：Q617 文獻標識碼：A 文章編號：1007-7847(2007)104-0306-05
膜蛋白是生物膜功能的主要體現者，根據跨膜區片段的折疊類型的不同，整合膜蛋白可以分為兩種主要的折疊類型：α螺旋跨膜蛋白(transmembrane α-heucal protcins，TMHs)和β-筒型跨膜蛋白(transmembrane β-barrel proteins，TMBs)，TMHs幾乎存在于所有類型的細胞膜中，其跨膜區為具有強疏水特性的殘基構成的螺旋段，TMHs擔負著多種多樣的功能，包括把營養物質和一些無機電解質輸入細胞，而將有毒的或無用的代謝產物排出細胞，以及參與細胞膜內外信號的傳遞等作用，TMBs發現于革蘭氏陰性細菌、線粒體和葉綠體的外膜，由8～22條β折疊鏈通過反平行排列構成類似于桶狀的跨膜結構，TMBs同樣具有重要的生物功能，如非特異性調控、組成運輸離子和小分子的通道、控制分子(如麥芽糖、蔗糖分子)通過外膜、參與構成電位調控型陰離子通道等等，這兩類跨膜蛋白具有不同的結構模體，但是同樣都處于脂質環境，這使得它們結構特征不同于那些具有全0螺旋或者全β結構的球狀蛋白(Globular Proteins，GPs)。
近年來，一些基于生物信息學手段預測膜蛋白折疊類型方法被提出來，這些方法多數利用了蛋白質的一級序列特征(如氨基酸組成)以及物理化學性質，比如跨膜區的疏水性和兩極性，基于對已知結構的蛋白質序列的氨基酸組成的統計分析，或者機器學習方法如神經網絡(neuralnetwork，NN)、隱馬爾可夫模型(hiddenMarkov models，HMM)，k最近鄰(k-nearestneighbors，K-NN)以及支持向量機(supportvector machines，SVM)等，這些方法的缺點是所利用的蛋白質序列特征都比較簡單，缺少對各種特征的綜合利用，另外，基于SVM的預測方法雖然在測試中顯示出了超過其它機器學習方法的預測性能，但都是用于解決一個兩類問題(如識別TMHs和非7MHs)，在解決多類問題時(如同時識別TMHs、TMBs和GPs的問題)，容易出現分類盲區，也就是說，當一些輸入樣本不能被確切的定義為屬于某一類時，傳統的SVM對此缺乏很好的解決手段，為了解決這個問題，一些研究者先后提出了不同形式的模糊支持向量機(fuzzy supportvector machine，FSVM)，從而較好的解決了傳統SVM的這個局限。
本文針對在其它蛋白質折疊類型中識別TMHs和TMBs的多類分類問題，提出了一種蛋白質序列的組合特征計算方法，通過計算蛋白質序列的多類特征，采取合適的加權手段將這些特征組合，并采用FSVM作為分類器，解決了傳統SVM的分類盲區問題，有效提高了預測性能。
1 數據與方法
1．1 數據集
我們采用了由Gromiha和Suwa收集的一個包含1318條蛋白質數據的數據集，包括7MBs(377條)、TMHs(267條)和GPs(674條)3大類蛋白質數據，其中兩類膜蛋白數據從PSORT-B數據庫中篩選而來；GPs數據從PDB40D_1.省略/cd-hit/)對數據集中序列相似度進行了分析，去除了序列相似度大于40％的冗余序列，最后得到的數據集組成如下：TMBs (208條)，TMHs(206條)，GPs(673條，其中155條全α、156條全β、183條α+β和179條α/β)，為便于描述，我們稱之為MCPl087數據集，該非冗余數據集可以從下列網址下載：。
1．2 序列特征提取
這里，我們提出了一種由3類特征組合的蛋白質序列描述方法，這3類特征是：氨基酸組成、二肽組成以及加權的氨基酸指數相關系數特征。20種氨基酸的組成特征通過下列公式計算：
其中f(i)表示第i種氨基酸殘基的含量，N1表示序列中第i種氨基酸的數量，N表述序列的氨基酸殘基總數，這樣得到一個20維的特征矢量，二肽組成通過下列公式計算：
這里，Nij表示序列中氨基酸對(二肽)ij的數量，總共得到400種二肽含量特征，即一個400維的特征矢量。
為了計算加權指數相關系數，首先將蛋白質序列映射為數值序列，假設一條蛋白質序列由N個氨基酸殘基構成，則可表示為：R1，R2…，Ri，…，RN，其中，Rj表示第i個位置的氨基酸殘基，利用氨基酸的某一種物理化學指數(如疏水值、極性等)將蛋白質序列映射為數值序列：h1，h2，…，hi，…，hL，其中，hi對應于Ri的指數值。
其中，ψ為相關系數特征的階數，ψ＜N，如ψ=1時為第一階序列順序相關系數，反映了序列中所有連續的氨基酸殘基之間的某一種指數的相關性，其它階次依此類推，ω為權重因子，用于調節指數特征對分類系統的影響程度，ω值的選取可根據預測效果進行調整，考慮到跨膜區疏水性、極性以及不溶于水等是跨膜蛋白的重要特征，我們從氨基酸指數數據庫(AAlndex，)中選擇了改進的Kyte-Doolittle疏水值(Modified Kyte-Doolittle
hydrophobicity scale，KD)、 平均極性(Meanpolarity，MP)和溶劑化自由能(Solvation freeenergy，SFE)等3種指數進行計算。
結合3種特征以后，一條蛋白質序列可以表示為下列特征向量：
這是一個(420+3*ψ)維的向量，在本文測試中，取P=60，oJ=10，對于序列長度不到60個氨基酸殘基的蛋白質序列，將序列長度自動補齊為60個殘基，且補齊的殘基編碼值取0，這樣，由一條蛋白質序列得到一個600維的特征向量作為FSVM分類器輸入。
1．3 FSVM算法
SVM是統計學習理論中的核心內容，它基于VC維理論和結構風險最小化原理，在很大程度上克服了傳統機器學習中的維數災難以及局部極小等問題，傳統的SVM是針對兩類分類問題而設計的，設輸入的樣本數據為n，則訓練樣本為：Sn=((x1，y1)，(x2，x2)，…，(xn，yn))，y∈{-1，+1}。(5)當用傳統SVM來解決多類問題的時候，通常將多類問題轉化成“一對多”(one-vs-rest)、“一對一”(one-vs-one)或者有向無環圖(DAG)的形式，因此本質上我們仍可以把SVM對多類問題的處理看作是對兩類問題處理的推廣，但是實際應用中，有些訓練樣本并不能明確屬于集合中的哪一類，而是表現出一定的模糊性，用傳統的SVM算法對此類問題進行處理無法考慮這些模糊訓練點的影響，實際分類過程中，在包含模糊訓練點的情況下，每個訓練點在算法中所占的權重不相同，對于那些極模糊的點，應當使其訓練算法中所占的權重盡量小，從而能夠保證算法的有效，這里，我們采用“一對一”的策略，將k類問題轉化為k(k-1)/2個兩類問題，對于每個模糊訓練點，引入模糊隸屬度。，假設一個模糊點屬于集合y=1的程度是。(0≤s≤1)，那么它屬于集合y=-1的程度就是1-s；而對于確定的點，其s為1或0，模糊點對應
2 性能評價標準
采用了兩類檢驗方法：一個是訓練集上的留一法測試(jackknin)測試，即訓練集數據每次留出一個來測試，其它數據用來訓練，對具有N個數據的數據集依次進行N次測試；另一個是獨立性數據集測試(Independent dataset)，即采用訓練集數據進行訓練，采用測試集數據進行測試，兩個數據集無交集。
性能評價指標包括：類精度(Accuracy ofCategory i，Acc(i))，馬氏相關系數(Matthew’s
3 結果和討論
我們進行了下列測試：1)采用本文的組合特征條件下不同分類器的性能測試，將本文的模糊SVM分類器(FSVM)和傳統SVM的“一對一”、“一對多”方法在數據集上進行jackkinfe測試，結果如表1所示；2)相同分類算法下不同的特征提取法的預測性能測試，使用本文的FSVM分類算法，比較了采用氨基酸組成、二肽組成以及組合特征等3種特征提取方法在數據集上的iackkinfe測試的性能，結果如表2所示；3)比較了本文分類策略和其它3種基于機器學習的分類策略在獨立性數據集測試下的預測性能，將數據集分為訓練集和測試集，其中訓練集數據為：TMBs(158條)，TMHs(156條)，GPs(440條，其中100條全α、100條全β、120條α+β和120條α/β)；測試集數據為：TMBs(58條)，TMHs(56條)，GPs(233條，其中55條全α、56條全β、63條α+β和59條α/β)，測試結果如表3所示。
表1結果顯示，在采用相同的特征提取方法的情況下，FSVM分類器在數據集上對各種蛋白質折疊類型的預測精度、馬氏相關系數均高于傳統SVM，基于“一對多”和“一對一”策略來解決多類問題的傳統SVM總體預測精度分別為91.9％和93.4％，而FSVM達到了94.8％，較前二者分別提高了2.9％和1.4％，這表明，FSVM提高了對模糊數據的識別能力，能夠得到更準確的分類結果。
表2結果顯示，采用相同的分類算法，基于本文的組合特征的分類方法，其類精度、馬氏相關系數和總精度均好于只利用氨基酸組成成分特征的分類方法，也優于使用氨基酸和二肽組成特征相結合的分類方法，這是因為前者不但考慮了氨基酸殘基在序列中的順序信息，還考慮了氨基酸的物理化學性質的影響，利用了更多的序列信息，另一方面也說明所采取的各個特征加權融合的方式是有效的。
表3結果顯示，本文的分類策略具有非常好的整體預測性能，預測精度顯著高于早期提出的基于HMM的預測方法，由于使用了組合特征，本文方法預測精度也高于僅僅利用簡單的氨基酸組成特征的NN和K-NN方法，另外，通過采用能有效解決分類盲區問題的FSVM分類算法，使得獨立性數據集上總預測精度達到了96.6％，比Park et al，提出的基于傳統SVM算法的預測方法的預測精度提高了2.4％。
4 結論
蝴蝶淚范文5
人物表
魔法(好)
冰燕：冰雪國大公主，變身后是櫻草青短裙，武器是冰之嗩吶，穿翅膀平靴，帶櫻草青蝴蝶結。
冰雨：冰雪國二公主，變身后是淡白紫蓬蓬裙，武器是冰之古箏，穿翅膀短靴，帶淡白紫蝴蝶結
冰藍：冰雪國三公主，變身后是冰雪藍蕾絲裙，武器是冰之柳琴，穿翅膀長靴，帶冰雪藍蝴蝶結。
冰熒：冰雪國女王，衣裳是雪白雪白的拖地長袍，武器是冰雪魔棒，穿冰雪熒靴子，帶冰雪熒王冠。
魔法(壞)
粉孀：沁孀的女兒，后來變好了，變身后是青色的短裙，武器是粉笛，穿翅膀平靴，帶青色的蝴蝶結。
紫淚：紫國公主，被沁孀抓去做壞小仙，但心很善良，后來變好了，變身后是紫色蓬蓬裙，武器是紫雨箏，穿翅膀長靴，帶紫色的蝴蝶結
綠朵：花國小精靈，被沁孀抓去做壞小仙，很天真，后來變好了，變身后是綠色蓬蓬裙，武器是綠琴，穿翅膀短靴，帶綠色的蝴蝶結。
沁孀：壞仙女王，衣裳是黑色的拖地長袍，武器是沁孀魔棒，穿沁孀靴子，帶沁孀王冠。
蘭香：香夢國公主，愛妹妹，保護妹妹，見不得別人美麗。
蘭夢：香夢國公主，愛姐姐，卡娃伊，和蘭香去彩虹中學當密使。
人類
柳燕：冰燕，熱情奔放，彩虹中學?；ㄖ?。
柳雨：冰雨，活潑可愛，彩虹中學?；ㄖ弧?/p>
柳藍：冰藍，美麗聰明，彩虹中學?；ㄖ?。
葉孀：粉孀，活潑有點小心眼，彩虹中學?；ㄖ?。
葉淚：紫淚，冷漠善良，彩虹中學?；ㄖ?。
葉朵：綠朵，可愛天真，彩虹中學?；ㄖ?。
蝴蝶淚范文6
“老師，老師，您有沒有看到我語文的月考分數??？”說話間，不經意嘴角勾一抹淡淡的笑容，這次月考給我的感覺還不錯，應該不會差到哪兒去的，更何況作文也寫得不錯啊！
老師擔憂地看了我一眼，眼眸里充斥著為之動容的復雜，悄悄把我拉到一邊。難道……
微頓一下，“我看過你試卷了，前面錯太多了，而且作文也沒寫好，只有32分，可能70分出頭一點。”
笑容漸漸僵在臉上，凝固成一個已逝的溫度，幻化在悠悠的風中，均勻地染滿整個心間……
“唉，很正常的，堅強一點！”老師輕輕拍了拍我的肩，轉身，悄然離去，只留給我一個觸摸不到的背影，在我心里斑駁成飛舞的過往，美好不復往昔。
看著天空，視線漸漸變模糊，我努力擦掉眼角的濕潤，肆意扯出一個弧度，對自己說：“要哭，也不能在這里哭。”
我近乎在全班人的注視中微笑著走進了教室，微笑著。
微笑著，努力而又艱難。
靜靜地坐到座位上，甚至還哼起了歌，但最后也被淹沒在深似海的哭泣中，我一只手低低地撐著額頭，奢望著四淚縱橫的臉頰。手中的筆，已不知賺了多少圈，舞動的指尖暈染出一滴再度滑過的眼淚，幻化成一只藍色憂傷，薄如蟬翼的受傷蝴蝶……
放眼向窗外望去，那陽光投落于稀疏的葉間縫隙形成的淡淡光斑，描繪著虛幻的影，，輕易刺刺痛了我受傷的心。手從身上重重滑落，宛若已逝的流星，拖著長長的尾翼，悲哀，無聲四溢……
晚上，回到家后，伏案功課，一瞥眼看到了桌上寫的厚厚的稿子。一氣之下，抓起它們，想把這些全都撕掉?？墒牵坏┦种概龅郊埖倪吘?，心弦像被什么撥動了似的，又把紙緊緊地護在懷中，皺眉，瞬間，淚珠滑落至嘴角。
第二天，上學途中，走到一個十字路口，分叉出的兩個路口，不論往哪頭走，都能抵達終點。我猶豫了，不經意的一瞥，看到了草叢旁的一只蝴蝶。
我緩緩蹲下身，仔細地看著這只蝴蝶，它受傷了，翅膀還殘留著淡淡的雨水痕跡，想必是昨晚那場小雨打傷了它的翅膀，可憐的你呵！傷痕累累，卻找不到一朵花來停息。
那只受傷的蝴蝶拼命地揮舞翅膀，卻只能揮出一絲絲無人問津的痛苦，那個蔚藍的天空，不在屬于它。
我突然意識到什么，猛地站起身，頭也不回地向前走去。十字路口，一切都是那么灰暗，把色彩碾碎，破滅。我更清楚的是，那只蝴蝶和我一樣，它的結局亦是我的未來。
我開始放棄，開始墮落，開始逃避，開始做我以前所厭惡的一切。有些時候，我也會想起那只受傷的蝴蝶，我想，它現在，一定在寂寞和痛苦中漸漸死去了吧。
沒有人知道，多少個夜晚，我伏在窗前，任淚一滴滴落下，消失所有光線和溫度，逆光下被淚眼模糊的一張臉始終看不清表情，如此明亮的月光，卻無法照亮自己心中的孤單。
終于，當我又一次考了全班語文最低分之后，我的好朋友，優忍不住了，溫柔的話語變成爆發的火氣，“你到底想怎么樣??？，你明白，以你的能力，你絕對可以考到班級第一名的，你何必這樣呢？”我愣了一下，抬頭，陽光在她身上淡淡打出冷冷的暖色調，散發出的溫暖，如空氣一樣將我緊緊包裹，猛然，有種掉淚的錯覺。
隨即，我又把視線轉移到那些冰冷的文字，裝作隨意地告訴了她那只蝴蝶的故事。末了，我加了一句，“蝴蝶？你說那只蝴蝶，好，跟我來。”
一進入優的房間，我的視線就緊緊地鎖定了玻璃瓶，走近，玻璃瓶中緊緊地封閉著那只十字路口的蝴蝶，不經意，翅膀微微展動。
“那天，我看到呆呆地站在那兒，就把它帶回來了。”
“它活著，它還活著。”忽然，我想到了什么，“就算它還活著，也再無法飛上藍天。”驚喜的眼眸猛然黯淡下去，充斥著淡淡的憂傷，妖嬈著最后的希望。
優什么也沒說，只是一把抓過玻璃瓶，拔掉瓶蓋。
