2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩105頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RadialBasisFunctionNeuralNetworks,RBFNN)是一種模擬人腦局部調(diào)整、相互覆蓋接收的典型前饋神經(jīng)網(wǎng)絡(luò)模型,與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比,具有更強(qiáng)的非線性映射和邊界區(qū)分能力,并且以其簡(jiǎn)單的拓樸結(jié)構(gòu)、快速的訓(xùn)練算法和較好的推廣能力被廣泛應(yīng)用于模式識(shí)別和函數(shù)逼近等領(lǐng)域。特別是在近二十年來(lái),在解決諸如蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)(ProteinStructurePrediction)、殘基作用關(guān)系圖譜(Inte

2、r-residueContactMap)研究,以及殘基構(gòu)象分布研究等領(lǐng)域發(fā)揮了重要的作用。本文主要針對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型在蛋白質(zhì)微構(gòu)象(Micro-ConformationalStructure)預(yù)測(cè)與分析中的應(yīng)用開(kāi)展了較為系統(tǒng)和全面的研究,在介紹徑向基神經(jīng)網(wǎng)絡(luò)的分類機(jī)理、結(jié)構(gòu)優(yōu)化、參數(shù)選取等基本問(wèn)題的基礎(chǔ)上,重點(diǎn)對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)(SecondaryStructurePrediction)、殘基空間距離(In

3、ter-residueSpatialDistance)研究、殘基作用關(guān)系譜研究等蛋白質(zhì)微構(gòu)象分析方面進(jìn)行了深入的探討。全文的要點(diǎn)為: 1、基于氨基酸構(gòu)象信息和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè):文中詳細(xì)介紹了蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè),特別是二級(jí)結(jié)構(gòu)預(yù)測(cè)的現(xiàn)狀及各種方法的比較,然后重點(diǎn)研究了基于氨基酸構(gòu)象偏性(ConformationProspensity)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)。在充分考慮各構(gòu)象特征對(duì)蛋白質(zhì)二級(jí)結(jié)

4、構(gòu)貢獻(xiàn)程度的基礎(chǔ)上,利用蛋白質(zhì)數(shù)據(jù)庫(kù)(ProteinDataBank,PDB)中已知結(jié)構(gòu)蛋白的結(jié)構(gòu)數(shù)據(jù),對(duì)20種不同氨基酸殘基對(duì)不同類型二級(jí)結(jié)構(gòu)的構(gòu)象偏性進(jìn)行了統(tǒng)計(jì)分析,并將其分別歸類為相應(yīng)二級(jí)結(jié)構(gòu)的支持子(Former)、中性子(Neutral)和斷裂子(Breaker),同時(shí)還利用這些構(gòu)象信息來(lái)重構(gòu)氨基酸殘基的主特征向量,將原有的特征向量維數(shù)由22位增加到25位,然后再把該特征向量耦合到徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入編碼中去,較好地提高了

5、RBFNN模型在蛋白質(zhì)二級(jí)結(jié)構(gòu)中的預(yù)測(cè)精度。 2、蛋白質(zhì)殘基空間距離預(yù)測(cè)研究:殘基空間距離作為蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)的一個(gè)重要模式特征,對(duì)有效提高RBFNN預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的精度有著非常重要的作用。目前蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的瓶頸在于:我們對(duì)蛋白質(zhì)一級(jí)序列中的殘基間遠(yuǎn)程(Long-Range)作用(或長(zhǎng)程作用)的作用機(jī)理還不很清楚,對(duì)蛋白質(zhì)折疊過(guò)程中的構(gòu)象規(guī)律還沒(méi)有完全掌握。如在蛋白質(zhì)折疊過(guò)程中,序列距離(SequenceSeparation

6、)相隔較遠(yuǎn)的殘基對(duì)(ResiduePairwise)在三維空間中卻有可能相距較近,這說(shuō)明該基對(duì)中的兩個(gè)殘基在蛋白質(zhì)折疊過(guò)程中,可能存在著某種相互作用,從而影響著蛋白質(zhì)結(jié)構(gòu)的生成。為此我們利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型,來(lái)對(duì)蛋白質(zhì)殘基空間距離進(jìn)行預(yù)測(cè),取得了較好的結(jié)果,為進(jìn)一步把這些信息耦合到蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的主特征向量中打下了基礎(chǔ)。 3、基于二進(jìn)制編碼策略和RBFNN的殘基作用圖譜研究:殘基作用圖譜(ContactMap)實(shí)質(zhì)上是殘基

7、空間距離研究的一個(gè)深化,也是蛋白質(zhì)微構(gòu)象研究的另一個(gè)重要內(nèi)容,在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)分析中具有重要的作用。如在RBFNN模型的輸入編碼中耦合上述構(gòu)象信息,就有可能較好地提高蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)精度。本文重點(diǎn)研究了RBFNN在殘基作用譜預(yù)測(cè)中的應(yīng)用研究,提出一個(gè)新的二進(jìn)制編碼策略,分別用一個(gè)8位二進(jìn)制串編碼可能的殘基對(duì)(PossiblePairwise)、4位二進(jìn)制串來(lái)編碼殘基分類信息(ResidueClassication)、3位二進(jìn)制串來(lái)編碼殘基

8、相應(yīng)的二級(jí)結(jié)構(gòu)信息(SecondaryStructure)、3位二進(jìn)制串來(lái)編碼蛋白質(zhì)序列長(zhǎng)度(SequenceLength)、以及用一個(gè)2位二進(jìn)制串來(lái)編碼殘基對(duì)的序列距離(SequenceSeparation),同時(shí)還把上述的編碼信息耦合到徑向基神經(jīng)網(wǎng)絡(luò)的輸入編碼中,并結(jié)合遺傳算法優(yōu)化RBFNN模型進(jìn)行殘基作用圖譜預(yù)測(cè)研究。 4、深入研究了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和參數(shù)選取問(wèn)題,在傳統(tǒng)的K-均值和最小二乘算法的結(jié)構(gòu)優(yōu)化基礎(chǔ)上

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論