人工神经网络其在生物信息学上应用

《人工神经网络其在生物信息学上应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、-学院：生物技术学院年级专业：2009级生物技术指导老师:查幸福姓名：商必志学号：222009331032031.---人工神经网络及其在生物信息学上的应用摘要:本文介绍了人工神经网络的原理、特征、分类、优点等。人工神经网络在生物信息学上有很重要的应用。人工神经网络在蛋白质结构预测及分类、基因组系列分析、信号肽、启动子等方面都能发挥着不可替代的作用。关键词:人工神经网络;生物信息学；应用一、关于人工神经网络人工神经网络（ArtificialNeuralNetworks，ANN）也简称为神经网络（NN）或称作连接

2、模型（ConnectionistModel），是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。（一）、人工神经元　　神经元示意图如图所示：a1~an为输入向量的各个分量；w1~wn为神经元各个突触的权值　　b为偏置；f为传递函数，通常为非线性函数；t为神经元输出；数学表示t=f(WA'+b)　　W为权向量；A为输入向量；A'为A向量的转置；b为偏置；f为传递函数。　　可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。　　单个神经元的作用：把一个n维向量空间

3、用一个超平面分割成两部分（称之为判断边界），给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。该超平面的方程:Wp+b=0（W：权向量；b：偏置；p：超平面上的向量）（二）、基本特征人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：（1）.---非线性：非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种

4、行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。（1）非局限性：一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。　　　　　　（3）非常定性：人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力

5、系统的演化过程。　　（4）非凸性：一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。　　（三）、发展历史1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。1949年，心理学家提出了突触联系强度可变的设想。60年代，人工神经网络得到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。1

6、982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，有力地推动了神经网络的研究。1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构地研究，提出了并行分布处理的理论。人工神经网络的研究受到了各个发达国家的重视。（四）、网络模型.---人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、

7、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：（1）前向网络：网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。（2）反馈网络：网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理

8、是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。（五）、学习类型由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。根据学习环境