前言：中文期刊网精心挑选了蝴蝶泪范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
蝴蝶泪范文1
那一世
命运的捉弄
我们走失在
轮回的路上
为此
我在佛前虔诚的膜拜
问佛
如何才能再与你相遇
佛说
缘尽 人散
何必再执着
红尘痴恋
只是恶果
我再拜
苦苦哀求
佛叹
如果你只能
以蝴蝶的样子见他
却还要千年以后
你可愿意
我点头
相见以后
你只能拥有蝴蝶
短暂的生命
且只有在你离去的时候
他才能记起你
你可愿意
我仍旧点头
佛沉默不语
从此
我以思念为丝
编织相思之茧
沉睡其中
一梦千年
千年的孤独
千年的期盼
只为见你
这缕心中的执念
倾尽千年的力量
挣破千年的黑暗
终于
在这春暖花开的季节
我破茧成蝶
飞到你的面前
在相见的刹那
我泪如泉涌
有谁见过蝴蝶的眼泪
带着千年的忧伤
千年的相思
千年的等待
只为相见的这一刻
能倾诉柔肠
可是
却只剩无语的凄凉
我只能歌唱
有谁听过蝴蝶的歌唱
带着心碎的哀伤
倾入千年的柔情
我起舞在你的身旁
轻轻落在你的指上
默默的凝视
相思千年的影子
多想告诉你
我心底的忧伤
可是
在你的眼中
只有惊奇
相隔千年
你怎会认出
我现在的模样
忍住眼里的忧伤
就让我以蝴蝶的样子
与你相伴
不恋花香
就让我
停息在你的肩上
伴你泼墨成章
不恋春光
就让我
在你的书案前
浅舞吟唱
伴你一纸墨香
渐渐的
你相视的眼神
若有所思
我看到了
你眼里的怜惜
在这将要离别的时刻
你可是记起了
我前世的模样
就让我最后为你
曼舞一曲
带着不舍的泪
轻吻你的脸颊
然后
在你的掌心里
静静的安眠
那一刻
你终于记起了一切
我看到了你眼里的
哀伤与绝望
泪滴在我的脸上
我寸断肝肠
好想告诉你
亲爱的
我不要你的心伤
只愿我千年的痴恋
能感动佛
来世
蝴蝶泪范文2
飞在那茫茫大雪中，
一直在寻找的，
是真挚，
是感动，
是温暖
……
我独在看着蝴蝶，
不知为何，
有一丝，
忧伤、失望。
那只蝴蝶，
永找不到真挚。
就像冰的心，
永远也找不到
……
蝴蝶流泪了，
化成月亮，
为星星做伴。
可冰的心，
用不属于，
蝴蝶泪范文3
记得，
你刚来的时候很娇气，
不愿意和我们一起玩。
但是，
是我改变了你。
你就像变了一个人，
不在那麽娇气了，
从那以后，
我便发现，你是一个特别的女孩。
有着不平凡的意志。
从此，
我们一起玩耍，一起吃东西，一起睡觉。
这些，你都还记的么？
你从小就很柔弱，而我却很坚强。
摔倒了，你哭，你闹。
而我，却坚强的爬起来，去安慰你。
这些，你都还记的么？
但是，
现在不同了，
你长大了，
已经不再柔弱了。
做什么事都很坚强。
这些，你都还记的么？
过你12岁的生日的时候，
你买了个大蛋糕，
请我们这些小朋友来给你过生日，
我们为你带上生日帽，
我相信，
那一次是你过得最快乐的生日。
这些，你都还记的么？
而现在，你要搬家了，只搬走一个暑假，
但是，
你知道么？
一个暑假是多麽漫长啊！
这些，你都想过么？
暑假里，希望你还能上小荷，
我们一起聊聊天，
那该是多么快乐啊！
今天，
蝴蝶泪范文4
关键词：模糊支持向量机；跨膜蛋白；折叠类型；氨基酸残基指数
中图分类号：Q617 文献标识码：A 文章编号：1007-7847(2007)104-0306-05
膜蛋白是生物膜功能的主要体现者，根据跨膜区片段的折叠类型的不同，整合膜蛋白可以分为两种主要的折叠类型：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几乎存在于所有类型的细胞膜中，其跨膜区为具有强疏水特性的残基构成的螺旋段，TMHs担负着多种多样的功能，包括把营养物质和一些无机电解质输入细胞，而将有毒的或无用的代谢产物排出细胞，以及参与细胞膜内外信号的传递等作用，TMBs发现于革兰氏阴性细菌、线粒体和叶绿体的外膜，由8～22条β折叠链通过反平行排列构成类似于桶状的跨膜结构，TMBs同样具有重要的生物功能，如非特异性调控、组成运输离子和小分子的通道、控制分子(如麦芽糖、蔗糖分子)通过外膜、参与构成电位调控型阴离子通道等等，这两类跨膜蛋白具有不同的结构模体，但是同样都处于脂质环境，这使得它们结构特征不同于那些具有全0螺旋或者全β结构的球状蛋白(Globular Proteins，GPs)。
近年来，一些基于生物信息学手段预测膜蛋白折叠类型方法被提出来，这些方法多数利用了蛋白质的一级序列特征(如氨基酸组成)以及物理化学性质，比如跨膜区的疏水性和两极性，基于对已知结构的蛋白质序列的氨基酸组成的统计分析，或者机器学习方法如神经网络(neuralnetwork，NN)、隐马尔可夫模型(hiddenMarkov models，HMM)，k最近邻(k-nearestneighbors，K-NN)以及支持向量机(supportvector machines，SVM)等，这些方法的缺点是所利用的蛋白质序列特征都比较简单，缺少对各种特征的综合利用，另外，基于SVM的预测方法虽然在测试中显示出了超过其它机器学习方法的预测性能，但都是用于解决一个两类问题(如识别TMHs和非7MHs)，在解决多类问题时(如同时识别TMHs、TMBs和GPs的问题)，容易出现分类盲区，也就是说，当一些输入样本不能被确切的定义为属于某一类时，传统的SVM对此缺乏很好的解决手段，为了解决这个问题，一些研究者先后提出了不同形式的模糊支持向量机(fuzzy supportvector machine，FSVM)，从而较好的解决了传统SVM的这个局限。
本文针对在其它蛋白质折叠类型中识别TMHs和TMBs的多类分类问题，提出了一种蛋白质序列的组合特征计算方法，通过计算蛋白质序列的多类特征，采取合适的加权手段将这些特征组合，并采用FSVM作为分类器，解决了传统SVM的分类盲区问题，有效提高了预测性能。
1 数据与方法
1．1 数据集
我们采用了由Gromiha和Suwa收集的一个包含1318条蛋白质数据的数据集，包括7MBs(377条)、TMHs(267条)和GPs(674条)3大类蛋白质数据，其中两类膜蛋白数据从PSORT-B数据库中筛选而来；GPs数据从PDB40D_1.省略/cd-hit/)对数据集中序列相似度进行了分析，去除了序列相似度大于40％的冗余序列，最后得到的数据集组成如下：TMBs (208条)，TMHs(206条)，GPs(673条，其中155条全α、156条全β、183条α+β和179条α/β)，为便于描述，我们称之为MCPl087数据集，该非冗余数据集可以从下列网址下载：。
1．2 序列特征提取
这里，我们提出了一种由3类特征组合的蛋白质序列描述方法，这3类特征是：氨基酸组成、二肽组成以及加权的氨基酸指数相关系数特征。20种氨基酸的组成特征通过下列公式计算：
其中f(i)表示第i种氨基酸残基的含量，N1表示序列中第i种氨基酸的数量，N表述序列的氨基酸残基总数，这样得到一个20维的特征矢量，二肽组成通过下列公式计算：
这里，Nij表示序列中氨基酸对(二肽)ij的数量，总共得到400种二肽含量特征，即一个400维的特征矢量。
为了计算加权指数相关系数，首先将蛋白质序列映射为数值序列，假设一条蛋白质序列由N个氨基酸残基构成，则可表示为：R1，R2…，Ri，…，RN，其中，Rj表示第i个位置的氨基酸残基，利用氨基酸的某一种物理化学指数(如疏水值、极性等)将蛋白质序列映射为数值序列：h1，h2，…，hi，…，hL，其中，hi对应于Ri的指数值。
其中，ψ为相关系数特征的阶数，ψ＜N，如ψ=1时为第一阶序列顺序相关系数，反映了序列中所有连续的氨基酸残基之间的某一种指数的相关性，其它阶次依此类推，ω为权重因子，用于调节指数特征对分类系统的影响程度，ω值的选取可根据预测效果进行调整，考虑到跨膜区疏水性、极性以及不溶于水等是跨膜蛋白的重要特征，我们从氨基酸指数数据库(AAlndex，)中选择了改进的Kyte-Doolittle疏水值(Modified Kyte-Doolittle
hydrophobicity scale，KD)、 平均极性(Meanpolarity，MP)和溶剂化自由能(Solvation freeenergy，SFE)等3种指数进行计算。
结合3种特征以后，一条蛋白质序列可以表示为下列特征向量：
这是一个(420+3*ψ)维的向量，在本文测试中，取P=60，oJ=10，对于序列长度不到60个氨基酸残基的蛋白质序列，将序列长度自动补齐为60个残基，且补齐的残基编码值取0，这样，由一条蛋白质序列得到一个600维的特征向量作为FSVM分类器输入。
1．3 FSVM算法
SVM是统计学习理论中的核心内容，它基于VC维理论和结构风险最小化原理，在很大程度上克服了传统机器学习中的维数灾难以及局部极小等问题，传统的SVM是针对两类分类问题而设计的，设输入的样本数据为n，则训练样本为：Sn=((x1，y1)，(x2，x2)，…，(xn，yn))，y∈{-1，+1}。(5)当用传统SVM来解决多类问题的时候，通常将多类问题转化成“一对多”(one-vs-rest)、“一对一”(one-vs-one)或者有向无环图(DAG)的形式，因此本质上我们仍可以把SVM对多类问题的处理看作是对两类问题处理的推广，但是实际应用中，有些训练样本并不能明确属于集合中的哪一类，而是表现出一定的模糊性，用传统的SVM算法对此类问题进行处理无法考虑这些模糊训练点的影响，实际分类过程中，在包含模糊训练点的情况下，每个训练点在算法中所占的权重不相同，对于那些极模糊的点，应当使其训练算法中所占的权重尽量小，从而能够保证算法的有效，这里，我们采用“一对一”的策略，将k类问题转化为k(k-1)/2个两类问题，对于每个模糊训练点，引入模糊隶属度。，假设一个模糊点属于集合y=1的程度是。(0≤s≤1)，那么它属于集合y=-1的程度就是1-s；而对于确定的点，其s为1或0，模糊点对应
2 性能评价标准
采用了两类检验方法：一个是训练集上的留一法测试(jackknin)测试，即训练集数据每次留出一个来测试，其它数据用来训练，对具有N个数据的数据集依次进行N次测试；另一个是独立性数据集测试(Independent dataset)，即采用训练集数据进行训练，采用测试集数据进行测试，两个数据集无交集。
性能评价指标包括：类精度(Accuracy ofCategory i，Acc(i))，马氏相关系数(Matthew’s
3 结果和讨论
我们进行了下列测试：1)采用本文的组合特征条件下不同分类器的性能测试，将本文的模糊SVM分类器(FSVM)和传统SVM的“一对一”、“一对多”方法在数据集上进行jackkinfe测试，结果如表1所示；2)相同分类算法下不同的特征提取法的预测性能测试，使用本文的FSVM分类算法，比较了采用氨基酸组成、二肽组成以及组合特征等3种特征提取方法在数据集上的iackkinfe测试的性能，结果如表2所示；3)比较了本文分类策略和其它3种基于机器学习的分类策略在独立性数据集测试下的预测性能，将数据集分为训练集和测试集，其中训练集数据为：TMBs(158条)，TMHs(156条)，GPs(440条，其中100条全α、100条全β、120条α+β和120条α/β)；测试集数据为：TMBs(58条)，TMHs(56条)，GPs(233条，其中55条全α、56条全β、63条α+β和59条α/β)，测试结果如表3所示。
表1结果显示，在采用相同的特征提取方法的情况下，FSVM分类器在数据集上对各种蛋白质折叠类型的预测精度、马氏相关系数均高于传统SVM，基于“一对多”和“一对一”策略来解决多类问题的传统SVM总体预测精度分别为91.9％和93.4％，而FSVM达到了94.8％，较前二者分别提高了2.9％和1.4％，这表明，FSVM提高了对模糊数据的识别能力，能够得到更准确的分类结果。
表2结果显示，采用相同的分类算法，基于本文的组合特征的分类方法，其类精度、马氏相关系数和总精度均好于只利用氨基酸组成成分特征的分类方法，也优于使用氨基酸和二肽组成特征相结合的分类方法，这是因为前者不但考虑了氨基酸残基在序列中的顺序信息，还考虑了氨基酸的物理化学性质的影响，利用了更多的序列信息，另一方面也说明所采取的各个特征加权融合的方式是有效的。
表3结果显示，本文的分类策略具有非常好的整体预测性能，预测精度显著高于早期提出的基于HMM的预测方法，由于使用了组合特征，本文方法预测精度也高于仅仅利用简单的氨基酸组成特征的NN和K-NN方法，另外，通过采用能有效解决分类盲区问题的FSVM分类算法，使得独立性数据集上总预测精度达到了96.6％，比Park et al，提出的基于传统SVM算法的预测方法的预测精度提高了2.4％。
4 结论
蝴蝶泪范文5
人物表
魔法(好)
冰燕：冰雪国大公主，变身后是樱草青短裙，武器是冰之唢呐，穿翅膀平靴，带樱草青蝴蝶结。
冰雨：冰雪国二公主，变身后是淡白紫蓬蓬裙，武器是冰之古筝，穿翅膀短靴，带淡白紫蝴蝶结
冰蓝：冰雪国三公主，变身后是冰雪蓝蕾丝裙，武器是冰之柳琴，穿翅膀长靴，带冰雪蓝蝴蝶结。
冰荧：冰雪国女王，衣裳是雪白雪白的拖地长袍，武器是冰雪魔棒，穿冰雪荧靴子，带冰雪荧王冠。
魔法(坏)
粉孀：沁孀的女儿，后来变好了，变身后是青色的短裙，武器是粉笛，穿翅膀平靴，带青色的蝴蝶结。
紫泪：紫国公主，被沁孀抓去做坏小仙，但心很善良，后来变好了，变身后是紫色蓬蓬裙，武器是紫雨筝，穿翅膀长靴，带紫色的蝴蝶结
绿朵：花国小精灵，被沁孀抓去做坏小仙，很天真，后来变好了，变身后是绿色蓬蓬裙，武器是绿琴，穿翅膀短靴，带绿色的蝴蝶结。
沁孀：坏仙女王，衣裳是黑色的拖地长袍，武器是沁孀魔棒，穿沁孀靴子，带沁孀王冠。
兰香：香梦国公主，爱妹妹，保护妹妹，见不得别人美丽。
兰梦：香梦国公主，爱姐姐，卡娃伊，和兰香去彩虹中学当密使。
人类
柳燕：冰燕，热情奔放，彩虹中学校花之一。
柳雨：冰雨，活泼可爱，彩虹中学校花之一。
柳蓝：冰蓝，美丽聪明，彩虹中学校花之首。
叶孀：粉孀，活泼有点小心眼，彩虹中学校花之一。
叶泪：紫泪，冷漠善良，彩虹中学校花之一。
叶朵：绿朵，可爱天真，彩虹中学校花之一。
蝴蝶泪范文6
“老师，老师，您有没有看到我语文的月考分数啊？”说话间，不经意嘴角勾一抹淡淡的笑容，这次月考给我的感觉还不错，应该不会差到哪儿去的，更何况作文也写得不错啊！
老师担忧地看了我一眼，眼眸里充斥着为之动容的复杂，悄悄把我拉到一边。难道……
微顿一下，“我看过你试卷了，前面错太多了，而且作文也没写好，只有32分，可能70分出头一点。”
笑容渐渐僵在脸上，凝固成一个已逝的温度，幻化在悠悠的风中，均匀地染满整个心间……
“唉，很正常的，坚强一点！”老师轻轻拍了拍我的肩，转身，悄然离去，只留给我一个触摸不到的背影，在我心里斑驳成飞舞的过往，美好不复往昔。
看着天空，视线渐渐变模糊，我努力擦掉眼角的湿润，肆意扯出一个弧度，对自己说：“要哭，也不能在这里哭。”
我近乎在全班人的注视中微笑着走进了教室，微笑着。
微笑着，努力而又艰难。
静静地坐到座位上，甚至还哼起了歌，但最后也被淹没在深似海的哭泣中，我一只手低低地撑着额头，奢望着四泪纵横的脸颊。手中的笔，已不知赚了多少圈，舞动的指尖晕染出一滴再度滑过的眼泪，幻化成一只蓝色忧伤，薄如蝉翼的受伤蝴蝶……
放眼向窗外望去，那阳光投落于稀疏的叶间缝隙形成的淡淡光斑，描绘着虚幻的影，，轻易刺刺痛了我受伤的心。手从身上重重滑落，宛若已逝的流星，拖着长长的尾翼，悲哀，无声四溢……
晚上，回到家后，伏案功课，一瞥眼看到了桌上写的厚厚的稿子。一气之下，抓起它们，想把这些全都撕掉。可是，一旦手指碰到纸的边缘，心弦像被什么拨动了似的，又把纸紧紧地护在怀中，皱眉，瞬间，泪珠滑落至嘴角。
第二天，上学途中，走到一个十字路口，分叉出的两个路口，不论往哪头走，都能抵达终点。我犹豫了，不经意的一瞥，看到了草丛旁的一只蝴蝶。
我缓缓蹲下身，仔细地看着这只蝴蝶，它受伤了，翅膀还残留着淡淡的雨水痕迹，想必是昨晚那场小雨打伤了它的翅膀，可怜的你呵！伤痕累累，却找不到一朵花来停息。
那只受伤的蝴蝶拼命地挥舞翅膀，却只能挥出一丝丝无人问津的痛苦，那个蔚蓝的天空，不在属于它。
我突然意识到什么，猛地站起身，头也不回地向前走去。十字路口，一切都是那么灰暗，把色彩碾碎，破灭。我更清楚的是，那只蝴蝶和我一样，它的结局亦是我的未来。
我开始放弃，开始堕落，开始逃避，开始做我以前所厌恶的一切。有些时候，我也会想起那只受伤的蝴蝶，我想，它现在，一定在寂寞和痛苦中渐渐死去了吧。
没有人知道，多少个夜晚，我伏在窗前，任泪一滴滴落下，消失所有光线和温度，逆光下被泪眼模糊的一张脸始终看不清表情，如此明亮的月光，却无法照亮自己心中的孤单。
终于，当我又一次考了全班语文最低分之后，我的好朋友，优忍不住了，温柔的话语变成爆发的火气，“你到底想怎么样啊？，你明白，以你的能力，你绝对可以考到班级第一名的，你何必这样呢？”我愣了一下，抬头，阳光在她身上淡淡打出冷冷的暖色调，散发出的温暖，如空气一样将我紧紧包裹，猛然，有种掉泪的错觉。
随即，我又把视线转移到那些冰冷的文字，装作随意地告诉了她那只蝴蝶的故事。末了，我加了一句，“蝴蝶？你说那只蝴蝶，好，跟我来。”
一进入优的房间，我的视线就紧紧地锁定了玻璃瓶，走近，玻璃瓶中紧紧地封闭着那只十字路口的蝴蝶，不经意，翅膀微微展动。
“那天，我看到呆呆地站在那儿，就把它带回来了。”
“它活着，它还活着。”忽然，我想到了什么，“就算它还活着，也再无法飞上蓝天。”惊喜的眼眸猛然黯淡下去，充斥着淡淡的忧伤，妖娆着最后的希望。
优什么也没说，只是一把抓过玻璃瓶，拔掉瓶盖。
