生成对抗网络在生物信息学领域中的关键技术研究

发布时间：2022-01-03 09:51

　　生成对抗网络（Generative adversarial networks）是深度学习领域的一个重要研究方向。其主要是基于零和博弈的思想,由判别器网络和生成器网络组成,通过极大极小算法的方式训练网络模型,据此学习出数据样本潜在数据的概率分布,并根据学到的分布生成新的数据样本。这种优势使得生成对抗网络在计算机视觉、信息安全、语音处理等领域表现出巨大的研究价值和应用前景。在生物信息学领域,随着生物数据规模的激增,精准医疗、基因序列的生成与预测、合成蛋白质等都需要科研人员对海量数据深入分析。以往使用湿实验、化学分析等传统方法往往具有耗费财力多、工作量大、效率低等缺点。面对这样的问题,用数据挖掘技术发现数据规律、得到数据本质特征是常见的分析手段,而生成对抗网络技术在生物信息学领域的探索才刚刚开始,因此本文基于生成对抗网络算法来学习数据存在的规律。本文首先阐述深度学习相关技术、生成对抗网络的模型原理以及生成对抗网络的优点,进一步分析生成对抗网络在理论上存在的模型结果不收敛、梯度消失问题以及应用到生物信息学领域后存在的模型坍塌、结果不受控制、离散数据无法训练等问题。而变分自编码（Variatio... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

深度学习提取特征的过程

CNNLeNet5结构图

GAN学习过程

【参考文献】：
期刊论文
[1]基于深度学习的PD致病基因活性预测[J]. 李自臣,田生伟,刘江越,高双印.  计算机应用与软件. 2017(09)
[2]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升.  生物医学工程学杂志. 2017(02)
[3]基于深度学习的疾病诊断[J]. 陆家发,张国明,陈安琪.  医学信息学杂志. 2017(04)
[4]大规模深度学习为女性带来的医疗之变[J]. 张含阳.  机器人产业. 2017(02)
[5]基于深度学习的医疗命名实体识别[J]. 张帆,王敏.  计算技术与自动化. 2017(01)
[6]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[7]生物医学数据分析中的深度学习方法应用[J]. 李渊,骆志刚,管乃洋,尹晓尧,王兵,伯晓晨,李非.  生物化学与生物物理进展. 2016(05)
[8]美国启动精准医疗计划[J]. 徐鹏辉.  世界复合医学. 2015(01)
[9]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[10]生物信息学技术研究[J]. 冯思玲.  信息技术. 2009(05)

硕士论文
[1]基于landmark基因集的深度学习基因表达预测方法[D]. 陈华宇.吉林大学 2017



本文编号：3566057