L-缬氨酸发酵培养基的神经网络建模与遗传算法优化

运用神经网络对L-缬氨酸发酵培养基组成进行建模,在神经网络模型的基础上采用遗传算法对培养基组成进行优化,得到最佳发酵培养基组成.结果表明,运用神经网络并结合遗传算法是一种行之有效的优化方法.按最佳发酵培养基组成进行发酵实验64h,可在发酵液中积累L-缬氨酸28.5g/L.     

基于BP神经网络的siRNA活性预测

RNA干扰(RNAinterference,RNAi)是由双链RNA(dsRNA)引起的基因沉默现象,它通过降解具有同源序列的mRNA来起作用,特殊设计的siRNA能使靶基因发生特异性沉默,起到确定基因功能或沉默致病基因从而治疗疾病的目的。在RNAi技术的应用中,通常采用的是长度为19bp,正、反义链3'端各有2个不配对碱基的双链RNA(siRNA)。但针对靶基因不同位点设计的siRNA作用效果差别很大。影响siRNA效果的因素是多方面的,这些因素的作用又是非线性的。本文在研究影响siRNA作用效果的各种因素的基础上,对已经公开发表的实验数据进行特征提取,作为BP神经网络的训练数据,并将训练好的BP神经网络用于siRNA活性预测。     

基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类

高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。     

基于鼠脑海马位置细胞与Q学习面向目标导航

生理学实验表明在鼠脑海马结构中存在的一种具有特异性放电特征的细胞,它在大鼠空间导航和环境认知中起着关键性作用,该特异性神经元被称之为位置细胞。本文将基于位置细胞、运动神经元来构建一种前馈神经网络模型,采用Q学习算法实现大鼠面向目标导航任务。实验结果表明该前馈神经网络模型能快速实现大鼠面向目标导航任务。     

基于径向基函数神经网络的温室室内温度预测模型

试验证实径向基函数神经网络(Radial Basias Function Neural Network)在函数逼近能力、训练速度方面都有良好的性能．采用最小正交二乘法为训练算法,基于传统的数学分析,用PRIVA公司温室监控系统采集数据,选用当前时刻室外温度、风速、太阳辐照度、顶窗开度、内帘幕展开度、水温、室内温度、相对湿度,再加上1个时间间隔、2个时间间隔以前的室内温度作为输入向量,获得了满意的温室室内温度一步预测模型(均方差等于0．0073)．该模型为设计温室环境控制器及分析温室性能奠定了良好基础．     

神经网络在蛋白质二级结构预测中的应用

介绍了蛋白质二级结构预测的研究意义,讨论了用在蛋白质二级结构预测方面的神经网络设计问题,并且较详尽地评述了近些年来用神经网络方法在蛋白质二级结构预测中的主要工作进展情况,展望了蛋白质结构预测的前景。     

基于深度卷积神经网络识别可变剪接位点

可变剪接源于多外显子基因生成多个转录本的调控过程。随着高通量测序,尤其是RNA-seq的研究进展,剪接序列和剪接位点可以通过挖掘海量的测序数据进行预测。可变剪接现象拓宽了人们对基因结构和蛋白质亚型的知识。然而现有的短序列比对软件受到随机性比对的影响,产生很多假阳性剪接位点,干扰下游数据分析。本研究发现,可变剪接位点周边序列的结构特征可被深度学习模型提取,并利用深度卷积神经网络识别剪接位点。本研究的模型具有识别率高、计算速度快,模型泛化能力强、鲁棒性高等优势。     

基于卷积神经网络的大肠杆菌启动子预测

目的 基于位点特异性打分矩阵（position-specific scoring matrices,PSSM）的预测模型已经取得了良好的效果,基于PSSM的各种优化方法也在不断发展,但准确率相对较低,为了进一步提高预测准确率,本文基于卷积神经网络（convolutional neural networks,CNN）算法做了进一步研究。方法 采用PSSM将启动子序列处理成数值矩阵,通过CNN算法进行分类。大肠杆菌K-12（Escherichia coli K-12,E.coli K-12,下文简称大肠杆菌）的Sigma38、Sigma54和Sigma70 3种启动子序列被作为正集,编码（Coding）区和非编码（Non-coding）区的序列为负集。结果 在预测大肠杆菌启动子的二分类中,准确率达到99%,启动子预测的成功率接近100%;在对Sigma38、Sigma54、Sigma70 3种启动子的三分类中,预测准确率为98%,并且针对每一种序列的预测准确率均可以达到98%以上。最后,本文以Sigma38、Sigma54、Sigma70 3种启动子分别和Coding区或者Non-coding区序列做四分类,预测得到的准确性为0.98,对3种Sigma启动子均衡样本的十交叉检验预测精度均可以达到0.95以上,海明距离为0.016,Kappa系数为0.97。结论 相较于支持向量机（support vector machine,SVM）等其他分类算法,CNN分类算法更具优势,并且基于CNN的分类优势,编码方式亦可以得到简化。     

基于BP神经网络模型的全球森林土壤异养硝化过程N2O排放通量估算

N₂O作为重要的温室气体之一,对地球和人类都有很大的影响。为了深入探究对有机氮异养硝化作用及其产生N₂O过程的影响机制,完善全球N₂O通量估算模型,本研究采用Pearson相关性分析与广义可加模型(GAM)对全球135个样点有机氮异养硝化速率及其产生N₂O速率的影响因子进行分析,然后将主要影响因子作为BP神经网络的输入层来模拟全球森林土壤有机氮异养硝化速率及其产生N₂O速率的空间分布。结果显示,土壤pH和土壤C/N是影响有机氮异养硝化速率的主要因素,土壤C/N、土壤孔隙含水量(WFPS)以及土壤温度是影响有机氮异养硝化产生N₂O速率的主要因素。全球森林土壤异养硝化速率平均为0.4241(0.0014～0.689)μg N·g^-1·d^-1,异养硝化产生N₂O速率平均为0.2936(0.21～1.103)μg N₂O·kg^-1·d^-1