基于深度学习的蛋白质二级结构预测

后基因组时代的到来,蛋白质的数据量急剧增长.为对蛋白质结构进行准确预测,提出了一种深度学习的方法,来预测蛋白质的二级结构分类问题.采用由近似熵、疏水模式以及图像特征组成的伪氨基酸组分方法,来提取蛋白质序列的特征;预测模型采用了5层的深度玻尔兹曼机(DBM)+分类层,5层的DBM组成了4个RBM,分类层采用softmax分类器;同时采用了非监督学习和监督学习作为预测模型的训练策略.与现有预测方法相比,提出的预测方法,比目前较好的支持向量机(SVM),人工神经网络(ANN)精度均要高.实验结果表明,提出的改进方法具有很好的可行性和有效性.     

基于相空间重构和柔性神经树的乐器分类

基于相空间重构理论和主成分分析理论,对不同乐器产生的音频时间序列进行处理。通过分析各类乐器的高维特性,采用概率密度函数来刻画各个乐器在相空间中的差异,然后将概率密度函数的参数与其他音色特征相结合,采用柔性神经树作为分类器,提出一种新的乐器分类方法。柔性神经树能够解决人工神经网络结构的高度依赖性问题,还具有较高的识别率。实验表明,该分类器与BP神经网络和支持向量机比较具有较高的平均分类准确率和较低的均方根误差值。     

基于柔性神经树的Internet流量早期识别模型

在互联网产生的早期阶段对其进行准确有效的识别,对于网络管理和网络安全来说都有着极其重要的意义。鉴于此,近年来越来越多的研究致力于仅仅基于流量早期的数个数据包,建立有效的机器学习模型对其进行识别。本文力图基于柔性神经树（ FNT）构建有效的互联网流量早期识别模型。两个开放数据集和一个实验室采集的数据集用于实验研究,并将FNT与8种经典算法进行对比。实验结果表明,FNT在大多数情况下,其识别率和误报率指标优于其他算法,这说明FNT是一种有效的流量早期识别模型。     

基于自相关系数和PseAAC的蛋白质结构类预测

传统的预测方法在构造特征向量时只考虑了氨基酸的组成,而自相关系数不仅能够很好地反映序列中氨基酸的位置信息,而且考虑了序列内部不同位置的氨基酸间的相互影响。设计了一种将氨基酸组成和自相关系数相结合的方法来构造特征向量;在Chou提出的伪氨基酸组成模型（pseudo．aminoacidcomposition,PseAAC）的基础上,通过扩展信息重新构造了伪氨基酸组成模型,并将其与自相关系数组合在一起来构造特征向量。分别使用两种方法编码,选用支持向量机作为预测工具,在数据集Z277、Z498以及独立测试集D138上进行了若干实验,对比结果显示,新方法比传统的氨基酸组成方法的准确率分别平均提高了7．43％和8．53％,证明了新方法是有效的。     

基于神经网络的蛋白质三级结构预测

在伪氨基酸组成中加入与序列相关的影响因子能够提高蛋白质三级结构预测的准确率。将伪氨基酸组成的特征作为神经网络的输入,建立分类预测模型。选用粒子群优化算法对神经网络的参数进行优化。分类方法采用一对多的二分类方法。数据集选用Chou提出的204条蛋白质。实验结果使用Jackknife交叉验证,表明该方法能提高预测准确率。     

柔性神经树模型的结构优化算法的改进

利用柔性神经树模型的改进结构优化算法对流程工业生产过程的参数进行筛选,在精确度最高的前提下在最短的时间内找到影响生产过程的重要参数,为流程工业生产过程控制提供理论依据。在柔性神经树模型的学习过程中,本算法的进化代数不是一个固定值,而是以误差率来控制进化代数,试验证明这种算法使模型最优,效率和精确度最高。柔性神经树模型的结构和参数优化分别由概率增强式程序进化和模拟退火算法完成。本文以水泥生产中重要生产过程之一的分解炉的生产过程为研究对象。研究结果表明本文提出的改进方法是非常有效的。     

基于改进粒子群算法的柔性神经树优化①

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。     

基于最大熵模型预测蛋白质结构的分类

基于最大熵模型,构建一种简单的预测蛋白质序列结构分类的算法。不同性质的氨基酸组合,在特定结构的蛋白质二级结构中,出现的频率不同,通过在模体数据库Prosite中查找蛋白质序列匹配的模体,以10种氨基酸组合在序列中出现的频率,表示蛋白质序列的特征,构建相应的结构分类预测模型。最大熵模型用来确定蛋白质结构分类预测模型的参数。以自身一致性和Jackknife测试方法验证分类模型的准确性。结果表明新构建的方法简单、准确,综合性能优于一般的预测方法。     

利用柔性神经树的实时肌电信号手势识别模型

传统的手势识别通常采用数字信号处理(Digital Signal Processing,DSP)芯片或者集合方法(Ensem-ble Methods)研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于表面肌电信号与柔性神经树(Flexible Neural Trees,FNT)模型的实时手势识别模型。表面肌电信号(surface Electromyography,sEMG)具有非入侵式、易于采集特点,故被广泛应用于行为识别和诊断等领域。柔性神经树模型通过简单的预定义来构建,能够解决人工神经网络(Artificial Neural Network,ANN)的结构依赖性高的问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率和较低的方均根误差(Root Mean Square Error,RMSE)。实验针对六名参与者的六种手势进行测试,结果表明该模型实时识别率较高,实际应用也证明该算法可行。     

使用伪氨基酸和集成分类器预测凋谢蛋白亚细胞定位

预测凋谢蛋白质亚细胞定位是生物信息学和蛋白质科学中重要的研究内容.基于Chou的伪氨基酸组成概念,用近似熵表示蛋白质序列的附加特征,组成新的伪氨基酸组成表示序列特征.将蛋白质序列看作短时间序列,近似熵能够区分不同亚细胞定位中序列的复杂度.结合多个模糊K近邻分类器(基本分类器)的集成分类器作为预测工具.以不同维数的伪氨基酸组成向量,作为每个基本分类器的输入数据.3个常用的数据集用来测试算法的性能,Jackknife测试结果表明新算法有效和实用.有望发展成为亚细胞定位研究的有用工具.     

基于级联神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出一种由两层网络构成的级联神经网络模型。第1层网络采用具有差异度的5个子网构成的网络模型,对第2层网络的输入编码进行改进。对PDBSelect25中的36条蛋白质共6 122个残基进行测试,结果表明,该模型能有效预测蛋白质二级结构,其预测精度分别比SNN, DSC, PREDSATOR方法提高5.31%, 1.21%和0.92%,平均预测精度提高到69.61%。     

基于决策树的神经网络

传统人工神经网络模型采用试探的方法确定合适的网络结构,并随机地初始化参数值,导致神经网络训练效率低、结果不稳定.熵网络是一种建立在决策树之上的3层前馈网络,在熵网络基础上,提出了基于决策树的神经网络设计方法(DTBNN). DTBNN中提供了对神经网络参数的初始值合理设置的方法,并提出了由决策树确定的只是熵网络的初始结构,在实际的网络构造中需要根据实际应用添加神经元和连接权以提高网络的性能.理论分析和实验结果表明了这种方法的合理性.     

暂态混沌神经网络在蛋白质关联图预测中应用研究

蛋白质结构预测是生物信息学的一个主要研究方向,而蛋白质关联图预测是其中的一个重要内容.针对蛋白质关联图预测问题,提出一种暂态混沌神经网络实现方法,所提出的方法具有暂态混沌特性和平稳收敛特性,能有效避免传统Hopfield 神经网络极易陷入局部极值的缺陷.它通过短暂的倒分叉过程,能很快进入稳定收敛状态.仿真结果表明:暂态混沌神经网络解决蛋白质关联图预测问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率.这种方法预测精度达到0.27,比随机预测器高9倍.     

KENN: 线性结构熵的图核神经网络

图神经网络(graph neural network, GNN)是一种利用深度学习直接对图结构数据进行表征的框架,近年来受到人们越来越多的关注.然而传统的基于消息传递聚合的图神经网络(messaging passing GNN, MP-GNN)忽略了不同节点的平滑速度,无差别地聚合了邻居信息,易造成过平滑现象.为此,研究并提出一种线性结构熵的图核神经网络分类方法,即KENN.它首先利用图核方法对节点子图进行结构编码,判断子图之间的同构性,进而利用同构系数来定义不同邻居间的平滑系数.其次基于低复杂度的线性结构熵提取图的结构信息,加深和丰富图数据的结构表达能力.通过将线性结构熵、图核和图神经网络三者进行深度融合提出了图核神经网络分类方法.它不仅可以解决生物分子数据节点特征的稀疏问题,也可以解决社交网络数据以节点度作为特征所产生的信息冗余问题,同时还使得图神经网络能够自适应调整对图结构特征的表征能力,使其超越MP-GNN的上界(WL测试).最后,在7个公开的图分类数据集上实验验证了所提出模型的性能优于其他的基准模型.     

Oian基于神经网络的蛋白质序列分类研究

提出了基于Levenberg-Marquardt(LM)算法的BP神经网络对蛋白质序列进行家族分类的新方法．该方法采用二肽含量对蛋白质序列进行特征提取，根据影响因子评价特征的相对重要性，用改进的BP神经网络LM优化算法构造一个三层人工神经网络，通过对PIR数据库中三类家族的学习，该网络对未知蛋白质序列分类的准确率分别达到了98．9％．98．1％，97．8％。     

基于最大熵神经网络算法的柔性制造系统调度策略研究

为了解决传统神经网络BP梯度下降算法在解决柔性制造系统调度策略时易陷入局部最优的问题,在规则化神经网络结构的基础上,提出了一种基于最大熵的神经网络权值优化算法,利用神经网络隐层节点变量的条件概率,在计算寻优过程中,通过改变收敛算子求解熵函数的期望,进而迭代求解网络的最优权重向量,对比实验表明,相较BP梯度下降算法,采用最大熵权值调整算法,数据搜索空间范围大,能保证系统准确收敛到全局最优解,算法鲁棒性好,在实际的调度策略应用中,该算法能明显缩短整体生产任务的加工周期,达到提高企业生产效率的目的。     

基于ANN蛋白质结构预测方法研究

为了破译遗传信息传递的全过程,确定蛋白质空间结构与其功能之间的关系从而改造天然蛋白质,首先简要介绍了蛋白质结构预测的研究意义,然后回顾了用ANN预测蛋白质结构的研究,并分析了各算法的特点和效果,最后探讨了用ANN预测蛋白质结构的研究方向。通过把800个预测网络和126个蛋白质序列的标准集合,平均每个残基的二级结构预测精度为80％,每个链的精度范围为55％-100％,整体均值为80.5％     

基于神经网络的模糊决策树改进算法

传统决策树通过对特征空间的递归划分寻找决策边界,给出特征空间的“硬”划分。但对于处理大数据和复杂模式问题时,这种精确决策边界降低了决策树的泛化能力。为了让决策树算法获得对不精确知识的自动获取,把模糊理论引进了决策树,并在建树过程中,引入神经网络作为决策树叶节点,提出了一种基于神经网络的模糊决策树改进算法。在神经网络模糊决策树中,分类器学习包含两个阶段：第一阶段采用不确定性降低的启发式算法对大数据进行划分,直到节点划分能力低于真实度阈值[ε]停止模糊决策树的增长;第二阶段对该模糊决策树叶节点利用神经网络做具有泛化能力的分类。实验结果表明,相较于传统的分类学习算法,该算法准确率高,对识别大数据和复杂模式的分类问题能够通过结构自适应确定决策树规模。