發(fā)布時間：2024-02-27 11:04

　　蛋白質(zhì)是生物的重要組成成分,是生命活動的主要承擔(dān)者,如何從基因序列中找到編碼蛋白質(zhì)的區(qū)域?qū)τ谖覀冄芯可顒又陵P(guān)重要。生物學(xué)中我們把編碼蛋白質(zhì)的基因序列叫做蛋白質(zhì)編碼區(qū),不同基因在長度、含有的編碼區(qū)個數(shù)、編碼區(qū)的長度都存在差異性,編碼區(qū)和非編碼區(qū)的特征也不明確,這給我們對蛋白質(zhì)編碼區(qū)的識別帶來很大困難。基于此本文構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)編碼區(qū)識別模型,依賴神經(jīng)網(wǎng)絡(luò)的自組織能力自動提取已知蛋白質(zhì)編碼區(qū)和非編碼區(qū)的特征,進(jìn)而對未知基因中的編碼區(qū)進(jìn)行識別。本文針對蛋白質(zhì)編碼區(qū)識別問題構(gòu)建了六種解決方案,總體可以分為兩類模型:一是基于MLP、CNN、RNN三種網(wǎng)絡(luò)結(jié)構(gòu)的蛋白質(zhì)編碼區(qū)識別模型,二是利用模型間的差異性構(gòu)建了基于投票、再學(xué)習(xí)、模型合并的蛋白質(zhì)編碼區(qū)識別集成模型。首先,本文構(gòu)建了基于MLP的蛋白質(zhì)編碼區(qū)識別模型,經(jīng)過理論分析和實(shí)驗(yàn)我們選擇了具有一層隱藏層的模型結(jié)構(gòu);其次,鑒于CNN通過權(quán)值共享、池化等操作即能提取樣本中的主要特征又能減少模型參數(shù)的特征,構(gòu)建了具有兩個卷積層和兩個池化層的基于CNN的蛋白質(zhì)編碼區(qū)識別模型;然后,根據(jù)基因序列類似于時間序列的特征,而RNN能夠很好地處理...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.3不同梯度下降算法下MLP的性能

該方法將Momentum和RMSprop這兩種算法的優(yōu)點(diǎn)進(jìn)行結(jié)合，使參數(shù)的更新過程大大加快。圖3.3不同梯度下降算法下MLP的性能

圖3.4常見的激活函數(shù)

加了激活函數(shù)的每一層的輸出結(jié)果就變得比之前模式復(fù)雜很多，進(jìn)而對整個網(wǎng)絡(luò)的表達(dá)能力上有了很大的提升。圖3.4常見的激活函數(shù)如何選擇合適的激活函數(shù)對我們訓(xùn)練好網(wǎng)絡(luò)非常重要，圖3.4給我們展示了幾種常見的激活函數(shù)。每種激活都有優(yōu)缺點(diǎn)：sigmod函數(shù)輸出結(jié)果范圍在(0,1)之間....

圖3.6MLP的準(zhǔn)確率、誤差隨隱藏層節(jié)點(diǎn)個數(shù)的變化

同隱藏層個數(shù)的選擇一樣，隱藏層節(jié)點(diǎn)的數(shù)目與待解決問題規(guī)模和復(fù)雜程度、輸入和輸出單元的個數(shù)有著直接的關(guān)系。如果隱藏層節(jié)點(diǎn)的個數(shù)太多，會導(dǎo)致模型學(xué)習(xí)時間過長，而節(jié)點(diǎn)數(shù)目太少則會導(dǎo)致模型過于簡單而不能很好地提取編碼區(qū)和非編碼的模式。針對如何選擇隱藏節(jié)點(diǎn)的數(shù)目這一問題至今為止尚未找到一個....

圖3.7MLP的準(zhǔn)確率、誤差隨著訓(xùn)練次數(shù)的變化

圖3.7MLP的準(zhǔn)確率、誤差隨著訓(xùn)練次數(shù)的變化常用的解決過擬合的方法有：數(shù)據(jù)集擴(kuò)增、正則化、提前終止、drop-out[37]：提前終止模型訓(xùn)練是一種最常用也是最簡單的防止過擬合的方法。該方式是在過程中發(fā)現(xiàn)模型出現(xiàn)過擬合后，便自動終止模型迭代，進(jìn)而解決過擬合的方法。體做法是在....

本文編號：3912591