發(fā)布時(shí)間：2018-06-05 16:05

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

【摘要】：隨著生物信息學(xué)的發(fā)展和人類基因組計(jì)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(yù)測方法。本文采用BP神經(jīng)網(wǎng)絡(luò)算法對蛋白質(zhì)二級結(jié)構(gòu)預(yù)測進(jìn)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(luò)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(jìn)BP神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測方法。該方法針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值等問題,對網(wǎng)絡(luò)的學(xué)習(xí)過程進(jìn)行改進(jìn),采用批處理學(xué)習(xí)模式,提高網(wǎng)絡(luò)收斂速度;基于梯度方法上進(jìn)行優(yōu)化,引入附帶動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率的學(xué)習(xí)規(guī)則,避免“振蕩現(xiàn)象”和陷入局部極小值。實(shí)驗(yàn)結(jié)果表明,該方法對蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測準(zhǔn)確率達(dá)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(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)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(luò)隱藏層結(jié)構(gòu)進(jìn)行劃分,實(shí)現(xiàn)并行輸出。實(shí)驗(yàn)結(jié)果表明,在8核的計(jì)算環(huán)境下,BP神經(jīng)網(wǎng)絡(luò)并行算法的加速比可達(dá)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(jì)算、輸出層輸出和誤差計(jì)算進(jìn)行并行化,在數(shù)據(jù)量較小或網(wǎng)絡(luò)結(jié)構(gòu)簡單時(shí),可以獲得更好的加速效果。通過實(shí)驗(yàn)分析表明,在8核的計(jì)算環(huán)境下,BP神經(jīng)網(wǎng)絡(luò)混合方式并行算法的加速比達(dá)7.206;(4)給出了一種分布式內(nèi)存環(huán)境下,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行蛋白質(zhì)二級結(jié)構(gòu)預(yù)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(shí)節(jié)點(diǎn)內(nèi)采用面向共享內(nèi)存環(huán)境的混合方式并行算法,實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法的并行化。實(shí)驗(yàn)結(jié)果表明,在使用4節(jié)點(diǎn)、單節(jié)點(diǎn)4核的計(jì)算環(huán)境下,該并行算法的最大加速比達(dá)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(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：Q51;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉彩紅;唐萬梅;;基于組合神經(jīng)網(wǎng)絡(luò)的教師評價(jià)模型研究[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

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

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

4 閔志;;神經(jīng)網(wǎng)絡(luò):使計(jì)算機(jī)具有快速學(xué)習(xí)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(luò)中的退火——非時(shí)齊情形[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);1993年03期

6 唐功友;離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];青島海洋大學(xué)學(xué)報(bào);1994年S2期

7 靳蕃;;中國神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)在西南交通大學(xué)隆重召開[J];學(xué)術(shù)動(dòng)態(tài)報(bào)道;1996年04期

8 彭宏,張素;帶有時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];杭州大學(xué)學(xué)報(bào)(自然科學(xué)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(luò)[J];起重運(yùn)輸機(jī)械;1999年06期

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

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會(huì)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(luò)[A];2003年中國智能自動(dòng)化會(huì)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(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)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(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)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(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

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

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

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

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

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

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

相關(guān)博士學(xué)位論文 前10條

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

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

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

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

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

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

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

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

相關(guān)碩士學(xué)位論文 前10條

1 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

2 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

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

4 胡婷;改進(jìn)QGA-BP模型及其在彌苴河總氮量預(yù)測中的應(yīng)用[D];昆明理工大學(xué);2015年

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

6 劉波;短期風(fēng)電功率預(yù)測方法研究[D];南京信息工程大學(xué);2015年

7 蔡邦宇;人臉識別中單次ERP時(shí)空特征分析及其快速檢索的應(yīng)用[D];浙江大學(xué);2015年

8 鄭川;垃圾評論檢測算法的研究[D];西南交通大學(xué);2015年

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

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

，

本文編號：1982570