本文選題：蛋白質(zhì)結(jié)構(gòu)預測 + BP神經(jīng)網(wǎng)絡��； 參考：《華南理工大學》2016年碩士論文

【摘要】：隨著生物信息學的發(fā)展和人類基因組計劃的完成,人們獲得了大量的DNA和蛋白質(zhì)序列信息,迫切需要效果更好的蛋白質(zhì)結(jié)構(gòu)和功能預測方法。本文采用BP神經(jīng)網(wǎng)絡算法對蛋白質(zhì)二級結(jié)構(gòu)預測進行研究,給出了面向共享內(nèi)存環(huán)境及分布式內(nèi)存環(huán)境下的BP神經(jīng)網(wǎng)絡并行方案。本文主要研究內(nèi)容及成果如下:(1)給出了基于改進BP神經(jīng)網(wǎng)絡的蛋白質(zhì)二級結(jié)構(gòu)預測方法。該方法針對傳統(tǒng)BP神經(jīng)網(wǎng)絡收斂速度慢、容易陷入局部極小值等問題,對網(wǎng)絡的學習過程進行改進,采用批處理學習模式,提高網(wǎng)絡收斂速度;基于梯度方法上進行優(yōu)化,引入附帶動量項和自適應學習率的學習規(guī)則,避免“振蕩現(xiàn)象”和陷入局部極小值。實驗結(jié)果表明,該方法對蛋白質(zhì)二級結(jié)構(gòu)的預測準確率達到73%;(2)提出面向共享內(nèi)存環(huán)境的數(shù)據(jù)并行和結(jié)構(gòu)并行算法。該方法在輸出層加入共享誤差緩存區(qū),實現(xiàn)網(wǎng)絡學習過程的并行化;在隱藏層加入共享輸出緩存區(qū),并對網(wǎng)絡隱藏層結(jié)構(gòu)進行劃分,實現(xiàn)并行輸出。實驗結(jié)果表明,在8核的計算環(huán)境下,BP神經(jīng)網(wǎng)絡并行算法的加速比可達7.551;(3)提出面向共享內(nèi)存環(huán)境的混合方式并行算法。該方法結(jié)合數(shù)據(jù)并行和結(jié)構(gòu)并行思想,分別對隱藏層輸出計算、輸出層輸出和誤差計算進行并行化,在數(shù)據(jù)量較小或網(wǎng)絡結(jié)構(gòu)簡單時,可以獲得更好的加速效果。通過實驗分析表明,在8核的計算環(huán)境下,BP神經(jīng)網(wǎng)絡混合方式并行算法的加速比達7.206;(4)給出了一種分布式內(nèi)存環(huán)境下,應用BP神經(jīng)網(wǎng)絡進行蛋白質(zhì)二級結(jié)構(gòu)預測的并行策略。該策略采用基于主從模式的分布式并行算法,同時節(jié)點內(nèi)采用面向共享內(nèi)存環(huán)境的混合方式并行算法,實現(xiàn)BP神經(jīng)網(wǎng)絡算法的并行化。實驗結(jié)果表明,在使用4節(jié)點、單節(jié)點4核的計算環(huán)境下,該并行算法的最大加速比達12.985。
[Abstract]:With the development of bioinformatics and the completion of the Human Genome Project, a large amount of DNA and protein sequence information has been obtained, and a better prediction method of protein structure and function is urgently needed. In this paper, BP neural network algorithm is used to study protein secondary structure prediction, and a parallel BP neural network scheme for shared memory environment and distributed memory environment is presented. The main contents and results of this paper are as follows: 1) the prediction method of protein secondary structure based on improved BP neural network is presented. Aiming at the problems of the traditional BP neural network, such as slow convergence speed and easy to fall into the local minimum, the learning process of the network is improved, the batch learning mode is adopted to improve the convergence speed of the network, and the optimization based on the gradient method is carried out. The learning rules with momentum term and adaptive learning rate are introduced to avoid "oscillating phenomenon" and falling into local minima. The experimental results show that the prediction accuracy of this method for protein secondary structure is 73 / 2) and a parallel data and structure parallel algorithm for shared memory environment is proposed. In this method, the shared error buffer is added to the output layer to realize the parallelization of network learning process, and the shared output cache is added to the hidden layer, and the structure of the network hidden layer is divided to realize the parallel output. The experimental results show that the speedup of the parallel algorithm of BP neural network can reach 7.551 / 3 under the computing environment of 8 cores) and a hybrid parallel algorithm for shared memory environment is proposed. Combining the idea of data parallelism and structural parallelism, the method parallelizes the hidden layer output, the output and the error calculation, and can obtain better acceleration effect when the data is small or the network structure is simple. The experimental results show that a parallel strategy for protein secondary structure prediction based on BP neural network under distributed memory environment is proposed. The strategy adopts a distributed parallel algorithm based on master-slave mode and a hybrid parallel algorithm for shared memory environment in the nodes to realize the parallelization of BP neural network algorithm. The experimental results show that the maximum acceleration of the parallel algorithm is Prida 12.985 under the computing environment of 4-node and single-node 4-core.
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：Q51;TP183

【相似文獻】

相關期刊論文 前10條

1 劉彩紅;唐萬梅;;基于組合神經(jīng)網(wǎng)絡的教師評價模型研究[J];重慶師范大學學報(自然科學版);2008年04期

2 鐘義信;;神經(jīng)網(wǎng)絡:成就、問題與前景[J];科學;1992年02期

3 莫恭佑;;神經(jīng)網(wǎng)絡及其在英國的應用[J];國際科技交流;1992年03期

4 閔志;;神經(jīng)網(wǎng)絡:使計算機具有快速學習功能[J];國際科技交流;1992年03期

5 馮建峰,錢敏平;神經(jīng)網(wǎng)絡中的退火——非時齊情形[J];北京大學學報(自然科學版);1993年03期

6 唐功友;離散Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性[J];青島海洋大學學報;1994年S2期

7 靳蕃;;中國神經(jīng)網(wǎng)絡學術大會在西南交通大學隆重召開[J];學術動態(tài)報道;1996年04期

8 彭宏,張素;帶有時滯的神經(jīng)網(wǎng)絡的穩(wěn)定性[J];杭州大學學報(自然科學版);1997年04期

9 陳新,孫道恒,黃洪鐘;結(jié)構(gòu)分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡[J];起重運輸機械;1999年06期

10 成宇;神經(jīng)網(wǎng)絡是怎么搭建的?[J];百科知識;2005年16期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

2 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

3 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

4 胡婷;改進QGA-BP模型及其在彌苴河總氮量預測中的應用[D];昆明理工大學;2015年

5 劉俊輝;基于數(shù)據(jù)清洗方法的河道水位預測研究[D];昆明理工大學;2015年

6 劉波;短期風電功率預測方法研究[D];南京信息工程大學;2015年

7 蔡邦宇;人臉識別中單次ERP時空特征分析及其快速檢索的應用[D];浙江大學;2015年

8 鄭川;垃圾評論檢測算法的研究[D];西南交通大學;2015年

9 李菊;BP神經(jīng)網(wǎng)絡在房地產(chǎn)批量評估中的應用研究[D];昆明理工大學;2015年

10 馬亮;降水點分類預測方法研究[D];中國地質(zhì)大學(北京);2015年

，

本文編號：1982570