基于DNA序列的转录因子结合位点预测
这是一篇关于转录因子结合位点,自注意力机制,深度残差网络,迁移学习,长短时记忆网络,在线预测服务,序列分析的论文, 主要内容为了解DNA-蛋白质结合的特异性对于理解基因表达、调控机制和基因治疗有着重要的意义,而转录因子是一种常见的DNA结合蛋白。转录因子通过与DNA结合调控位于其下游基因的表达,增强或者抑制下游基因的活性,对蛋白质的翻译也起着至关重要的调控作用。因此,从DNA序列中精准地识别出转录因子结合位点是一项重要的任务。基于分子生物学实验来识别转录因子结合位点的方法存在耗时长、成本高等缺点。近年来,随着高通量测序技术的出现、计算机性能的提升与算法的发展,为构建转录因子结合位点预测模型从海量生物数据中挖掘出有价值的知识提供了可能。然而,现有基于机器学习、深度学习的转录因子结合位点预测模型的预测精度还有待提高。因此,进一步提高转录因子结合位点预测模型的性能十分有必要。本文对基于DNA序列的转录因子结合位点预测问题进行了深入研究,主要工作如下:(1)本文将自注意力机制与残差网络相结合,提出了名为SARes Net的转录因子结合位点预测模型。自注意力机制能很好地捕捉序列的远程依赖关系,将空间信息集成到网络中,同时与卷积得到的局部信息相互补充,使网络能够有效地学习空间位置信息和局部信息。同时,SARes Net采用了迁移学习,提高了网络的泛化性能,加快了模型微调阶段的收敛速度。实验结果表明SARes Net模型在转录因子结合位点预测的基准数据集上表现良好,与目前最先进的方法相比有进一步地提升,且具备良好的预测性能与泛化能力。(2)本文考虑到LSTM网络具有处理序列数据的强大特性,并且能够处理长期依赖的问题,基于LSTM网络提出了名为LSTM-Net的结合位点预测模型。实验结果表明LSTM-Net具备较好的预测性能。(3)考虑到SARes Net与LSTM-Net都具备相近的预测性能,本文还提出了名为SARes Net-LSTM的自注意力残差网络与LSTM网络相结合的转录因子结合位点预测模型。并通过在不同规模的数据集、不同细胞系的数据集上对比了LSTM-Net、SARes Net和SARes Net-LSTM的预测性能,还与其他现有预测模型在基准数据集上进一步对比,表明了本文提出的三种模型预测的准确性与稳定性。(4)为了方便生物医学研究者的使用,我们基于Spring Cloud微服务框架开发了一个预测平台用于提供在线的结合位点预测服务。
基于循环神经网络的关系抽取方法研究
这是一篇关于关系抽取,长短时记忆网络,卷积神经网络,选择门,辅助模型的论文, 主要内容为随着互联网急剧发展,大量非结构文本数据日益增多,如何结构化这些文本数据成为一个亟待解决的问题,而自然语言处理任务的研究对象正是这些非结构化的数据。其中关系抽取是自然语言处理任务中的一项重要基础任务。关系抽取任务是问答系统、知识图谱、信息检索等人工智能及其相关研究领域的基础任务之一。关系抽取任务通过获取句子中实体词之间的关系,从而能够自动化构建句子中存在的知识,便于研究者构建知识图谱。传统的关系抽取方式极为依赖人工经验,需要熟练且有相关知识的研究者手动选取特征,这样不仅导致特征选择效率低下,而且易出错。但是近年来随着深度学习的发展,更多的深度学习方法被应用于自然语言处理任务中,并且获得了很大的成功。但是这些使用深度学习方法的相关研究文献仍存在一些不足之处。针对具体存在的问题,本论文提出了三个基于深度学习的关系抽取模型,主要包含如下三个方面:(1)大多数关系抽取模型只使用了一种深度学习模型的,并不能将多种模型的优点集于一身,因此本文提出一种基于双通道自注意力的关系抽取模型,该模型通过使用卷积神经网络和循环神经网络分别提取数据特征,使模型能够有效利用两个网络模型的优点,弥补两个模型各自的不足。最后实验结果显示,本模型在Sem Eval-2010 Task8数据集上进行训练和测试,测试结果相比于其他使用该数据集的6个模型均有所提高,其综合评价指标F1值比其他方法高出1.4%至6.3%,达到了85.1%。(2)其他模型没有完全利用给出的实体词数据,因此本文添加了对实体词的运用,增加了对给出的实体词进行命名实体识别的过程,提出了一种基于辅助模型的关系抽取模型。该模型将实体识别任务作为实体关系抽取任务的辅助任务添加到模型训练中,从而进一步提高句子中的实体词对实体关系抽取任务的作用与影响。在模型使用和测试阶段则只使用主模型进行实体关系抽取任务模型,不再使用实体识别任务模型。实验结果显示,本模型在与上一个模型所使用的相同的数据集下,本模型得到的综合评价指标F1值比上一个模型提高了1.0%,达到了86.1%。(3)针对在模型中添加了实体词数据,但是无法通过有效的机制筛选数据中的有效信息,过滤无用信息这一问题,本文进一步提出了一种基于选择门网络的关系抽取模型。该模型加强了实体词和句子之间的联系,其中选择门结构能够有效获取实体词与上下文之间的重要关系,同时还能过滤句子中无效的信息数据,保留与句子语义及实体词与上下文有关联的数据。实验结果显示,本模型在Sem Eval-2010 Task8数据集上进行训练和测试,测试结果相比于其他使用该数据集的6个模型均有所提高,其综合评价指标F1值比其他方法高出2.8%至8.1%,达到了86.9%。
基于深度学习的分子识别和图像生成技术研究
这是一篇关于分子识别,分子图生成,长短时记忆网络,高效神经网络,流模型的论文, 主要内容为随着化学研究的不断发展,许多新的化学物质和化合物被发现和合成,这些发现为各种工业和科研领域带来了巨大的发展潜力。然而,科学家们每天都在产生大量的新化学物质,这些化学物质的结构知识对于理解其性质和功能至关重要。在传统的化学研究中,分子结构信息通常以图像形式储存在文献和专利中,这使得从这些资源中提取、整理和利用这些信息变得非常困难。手动识别和生成分子图像的方法非常耗时且容易出错。化学领域的专业人士需要花费大量时间和精力来识别分子结构,并将其转换为机器可读的形式。此外,由于分子结构可能非常复杂,包括多种原子、化学键和立体构型,人工识别方法在准确性方面可能受到限制。在这个背景下,有必要寻找一种更有效的方法来识别和生成分子图像。深度学习作为一种强大的机器学习技术,在图像识别、分类和生成等领域表现出了优越的性能。本文将深度学习应用于分子图像识别和生成领域,有助于推动化学研究及相关领域的进一步发展。在分子图像识别领域,本文构建了一种融合Efficient Net V2与混合注意力机制的LSTM模型(Eff Net V2+Atten＿LSTM)。这个模型将Efficient Net V2应用于图像特征的抽取,同时结合混合注意力机制的LSTM部分生成文本,以达到准确且高效的分子图像识别。实验数据证实,该模型在验证集上取得了93.1%的准确率,远高于其他方法,从而证实了它在分子图像识别领域的优势。在分子图像生成环节,本文提出了一种整合双向LSTM、自回归图神经网络和基于流的生成模型的策略。通过融合双向LSTM、自回归图神经网络以及流模型,使用双向LSTM捕捉分子间的相互关系,引入自回归图神经网络学习分子的拓扑结构特征,采用基于流的生成模型使得生成过程更加高效,实现了对分子图像的高效准确生成。实验结果表明,该策略在生成分子的有效性、唯一性和新颖性方面表现出色,与其他生成模型相比取得了显著进步,同时生成分子与原分子属性以及目标属性都较为接近,展示了其在分子图像生成领域的巨大潜力。本文还详细阐述了一个分子翻译系统的开发和实现过程,涵盖了需求分析、系统设计和功能展示等方面。这个系统以本文提出的分子图像识别与生成方法为基础,实现了对分子图像的高效识别和生成。这将有助于推动化学领域的研究和应用,提升分子识别和转换的效率。本文为分子图像识别和生成领域带来了新的观念和技术,有利于进一步提高分子识别和生成质量,为化学研究及相关产业的发展提供支持。
基于深度学习的推荐算法研究
这是一篇关于深度学习,推荐算法,长短时记忆网络,评分权重,PMF的论文, 主要内容为随着大数据和云计算技术的发展,各种数据呈现指数形式增长,信息过载的问题日益严重。如何从海量的数据中给用户推荐符合用户爱好的数据成为了亟待解决的问题,因此推荐算法得到了工业界和学术界的广泛关注和研究。推荐算法主要分为基于内容的推荐、协同过滤和混合推荐。基于内容的推荐可解释性强,但是面临用户冷启动和推荐结果新颖性的问题;协同过滤可以通过用户和项目的信息进行推荐,缓解新颖性的问题,但是面临着数据稀疏的问题;混合推荐算法利用各个算法的优势进行组合,提高推荐系统的整体性能。传统的推荐算法主要是利用浅层模型或者人工提取特征的方式获得用户和项目的潜在特征,无法对特征进行深层次挖掘。深度学习可以通过多层次的网络结构从海量的用户行为数据和项目的辅助信息中获取用户和项目的潜在特征表达。因此,本文主要对基于深度学习的推荐算法进行研究。首先,本文通过项目的文本信息计算项目之间的相似度,并将其与基于项目的协同过滤算法得到的相似度进行加权融合,提出融合文本信息的协同过滤算法。该算法能够缓解评分矩阵稀疏的问题,并且由于引入了项目的文本信息,所以可以避免新项目的冷启动问题。其次,本文提出了基于评分权重的LSTM推荐算法。该算法利用长短时记忆网络从用户的历史行为数据中捕获用户的兴趣特征,并且结合两个权重参数对用户特征进行修正,分别为用户对当前项目的评分与用户历史评分和的比值、用户对项目的评分与项目平均评分的比值。通过在公开数据集上进行实验对比,该算法模型在预测评分的均方根误差上优于对比算法。最后,本文提出了基于深度学习和PMF的混合推荐算法。该混合算法利用深度学习和PMF分别预测评分,然后将预测评分进行混合。在深度学习预测评分的过程中,利用卷积神经网络获取项目名称和评论的特征向量。在评分混合模块中,分别使用线性回归和逻辑回归进行评分混合,选取均方根误差最小的混合方法作为最后的混合推荐算法。
基于深度学习的城市轨道交通短时客流预测研究与系统实现
这是一篇关于短时客流预测,长短时记忆网络,改进粒子群算法,卷积神经网络,客流预测系统的论文, 主要内容为城市轨道交通短时客流预测是轨道交通运营企业制定行车和客运组织方案、应急保障预案等的重要决策依据,同时也是发展智慧运输服务、智慧乘客服务,建设数字化、智慧化城市轨道交通的重要组成部分,对助力轨道交通数字化转型,建设智慧轨道交通具有重要意义。论文以石家庄地铁短时客流为研究对象,在分析其线网客流时空分布特征的基础上,构建了基于改进粒子群算法优化长短时记忆网络的线路级短时客流预测模型和基于卷积神经网络的线网级短时客流预测模型,分别对轨道交通线路和线网各站点进行短时客流预测研究。在上述研究基础上,设计并实现了轨道交通短时客流预测系统。主要内容如下:(1)轨道交通客流特征分析。以石家庄地铁自动售检票系统原始交易数据为基础,进行数据初步预处理后,得到基础数据集。从不同日期、不同时段、不同站点等角度,分析石家庄地铁线网客流的时空分布特征。(2)基于IPSO-LSTM的轨道交通线路级短时客流预测。以长短时记忆神经网络为基础,建立轨道交通线路级短时客流预测模型。首先对标准粒子群算法中的惯性权重和学习因子进行了改进,然后利用改进的粒子群算法对LSTM神经网络进行参数寻优,建立了轨道交通线路级短时客流预测模型。与传统的SVM模型和基础LSTM模型相比,提高了预测精度。(3)基于CNN的轨道交通线网级短时客流预测。以卷积神经网络为基础,构建轨道交通线网级短时客流预测模型。首先,将客流数据处理为以时间为行、各站点客流量为列的二维矩阵,然后构建并训练不同深度结构的CNN神经网络模型进行精细化调参,得到模型最优结构和参数,完成模型构建,实现轨道交通线网全部站点短时客流的同步预测。(4)轨道交通短时客流预测系统。利用Python语言、MySQL数据库和Vue前端框架等工具,设计并实现了轨道交通短时客流预测系统。系统实现轨道交通线路和线网各站点的短时客流预测和客流数据统计分析等功能。
基于生成对抗网络的学术论文推荐算法研究
这是一篇关于推荐系统,生成对抗网络,论文推荐,卷积神经网络,长短时记忆网络的论文, 主要内容为随着大数据时代的快速发展,学术论文资源呈现爆炸式持续增长,面对如此海量的学术论文,传统的搜索引擎耗时耗力,推荐系统是进行信息过滤的有效手段,将用户获取论文的方式由“主动”转化为“被动”,大大节省用户的时间和精力,缓解信息过载问题。在论文推荐领域中,有以下几个挑战,第一,用户和论文的交互方式一般是浏览、点击等具有较少信息量的隐式反馈行为,无法准确区分用户的正负样本,这使得推荐系统很难精准建模用户的兴趣偏好。第二,学术论文中的标题和摘要具有丰富的语义内容信息,而在推荐系统中融入辅助信息是提升推荐性能的重要手段之一,如何有效提取论文的语义信息并融入推荐系统至关重要。近年来,生成对抗网络(GAN)由于其优秀的样本生成能力,在推荐系统中得到了愈为广泛的关注,尤其对于隐式反馈下的推荐系统,能有效改善正负样本区分不足的问题。本文针对上述论文推荐中的挑战,研究基于GAN的学术论文推荐算法,研究内容与主要工作如下:(1)提出一种基于神经协同的对抗推荐算法(NCGAN)。在隐式反馈的场景下,针对推荐模型IRGAN采用线性模型导致的交互不足和策略梯度带来的训练缓慢问题,NCGAN引入神经网络来建模用户和项目之间的非线性交互,同时,采用Gumbel Softmax方法解决离散采样问题,使得模型可通过梯度下降进行训练,替代原有的策略梯度。在模型中,生成器的反馈直接来源于判别器,避免了随机负采样所导致的误差,可以更好地拟合用户兴趣偏好。在两个公开数据集Movie Lens上验证了NCGAN的算法可行性和模型收敛效率的优势。(2)提出一种基于多类型神经网络的论文语义提取模型(TAA)。针对现有方法建模论文语义信息不充分问题,本文对论文的标题和摘要进行了更为细粒度的语义提取操作。首先,将标题视为论文整体信息的概括,利用卷积神经网络提取论文的全局特征,之后,将摘要视为标题内容的具体化,使用双层结构的长短时记忆网络分别对摘要的词序列和句序列进行语义建模,并引入注意力机制对标题和摘要文本上的相关度进行关联,提升语义特征的准确度,最后,将得到的语义特征输入到推荐任务,为推荐提供更为有效的辅助特征。通过下游的推荐实验对比,验证了TAA进行论文语义提取的有效性。(3)鉴于以上两点研究,提出一种融合细粒度语义特征的论文对抗推荐算法(TAGAN)。在GAN推荐算法的基础上引入更为细粒度的论文语义特征,GAN推荐算法可以改善隐式反馈下的正负样本问题,而语义特征的引入一定程度上缓解数据稀疏问题。在生成器模型中,将论文的交互特征和语义特征进行融合,并使用调节因子调整语义特征的重要度。在两个公开论文数据集Citeulike上验证了TAGAN的推荐效果,并通过模型简化实验验证了引入GAN推荐算法的有效性。(4)设计实现了一种论文推荐系统(TA)。首先,从万方、维普等学术资源商和网络学术爬虫获取各类论文元数据并存储到数据仓储中,之后元数据进行去重、过滤脏数据等一系类数据清洗操作,同时,对清洗完的数据进行数据加工,主要采用TF-IDF进行标签生成和采用朴素贝叶斯进行学科分类,最后,针对不同用户采取以TAGAN为核心的多策略推荐方法,并在移动端进行推荐页面展示。
基于深度学习的城市轨道交通短时客流预测研究与系统实现
这是一篇关于短时客流预测,长短时记忆网络,改进粒子群算法,卷积神经网络,客流预测系统的论文, 主要内容为城市轨道交通短时客流预测是轨道交通运营企业制定行车和客运组织方案、应急保障预案等的重要决策依据,同时也是发展智慧运输服务、智慧乘客服务,建设数字化、智慧化城市轨道交通的重要组成部分,对助力轨道交通数字化转型,建设智慧轨道交通具有重要意义。论文以石家庄地铁短时客流为研究对象,在分析其线网客流时空分布特征的基础上,构建了基于改进粒子群算法优化长短时记忆网络的线路级短时客流预测模型和基于卷积神经网络的线网级短时客流预测模型,分别对轨道交通线路和线网各站点进行短时客流预测研究。在上述研究基础上,设计并实现了轨道交通短时客流预测系统。主要内容如下:(1)轨道交通客流特征分析。以石家庄地铁自动售检票系统原始交易数据为基础,进行数据初步预处理后,得到基础数据集。从不同日期、不同时段、不同站点等角度,分析石家庄地铁线网客流的时空分布特征。(2)基于IPSO-LSTM的轨道交通线路级短时客流预测。以长短时记忆神经网络为基础,建立轨道交通线路级短时客流预测模型。首先对标准粒子群算法中的惯性权重和学习因子进行了改进,然后利用改进的粒子群算法对LSTM神经网络进行参数寻优,建立了轨道交通线路级短时客流预测模型。与传统的SVM模型和基础LSTM模型相比,提高了预测精度。(3)基于CNN的轨道交通线网级短时客流预测。以卷积神经网络为基础,构建轨道交通线网级短时客流预测模型。首先,将客流数据处理为以时间为行、各站点客流量为列的二维矩阵,然后构建并训练不同深度结构的CNN神经网络模型进行精细化调参,得到模型最优结构和参数,完成模型构建,实现轨道交通线网全部站点短时客流的同步预测。(4)轨道交通短时客流预测系统。利用Python语言、MySQL数据库和Vue前端框架等工具,设计并实现了轨道交通短时客流预测系统。系统实现轨道交通线路和线网各站点的短时客流预测和客流数据统计分析等功能。
基于机器学习的移动发电机监控平台设计与实现
这是一篇关于移动发电机,层次分析法,Spring MVC,长短时记忆网络的论文, 主要内容为在某些市电无法供电的地点(例如通信基站,施工现场)或是某些应急的场合,移动发电机仍然发挥着不可替代的作用。移动发电机作为一种应用广泛的机械设备,单独管理某一台相对简单,但对于拥有大批量移动发电机的企业,采用信息技术来进行管理有助于整体效率的提高。本文首先对当前的移动发电机管理信息化现状及应用情况进行分析,结合企业实际情况进行了需求分析,严格遵循软件工程规范采用时序图、协作图、ER图等多种方式对系统进行了设计,并进行了编码实现。针对维修保养计划生成这一关键问题,综合考虑时间、成本等多种因素,采用层次分析法整合各类定量与定性指标,能够生成优化的维修保养方案,在此基础上利用机器学习中的长短期记忆(Long short-term memory,LSTM)网络模型,将专家确定参数的一系列过程建模成时序数据集,从而能够自动生成层次分析法中的参数,减少人工参与环节,进一步提高效率。在项目完成后,根据软件工程理论中的测试理论,设计了测试用例并说明了测试结果,对测试中发现的问题进行了修复与改进。本文中移动发电机监控平台的设计与实现,采用了java中的Spring MVC框架,数据库采用My SQL数据库管理系统,机器学习算法基于Pytorch库进行开发,测试结果与运行情况表明,本项目较好的满足了项目的实际要求,提高了移动发电机管理的效率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/47932.html
