基于CNN的蛋白质分类模型对比研究

发布时间：2023-06-02 04:40

　　蛋白质是人类生存必不可少的物质,小到细胞,大到人体的各个器官,都离不开各种各样蛋白质的参与。利用高倍显微镜可以实现人类细胞蛋白质的可视化,这些图像通常用于生物医学研究,帮助人类更深入地理解细胞的复杂性,也为未来人类战胜各种疾病提供了可能性。近年来,一方面高倍显微镜的成像技术趋于成熟,利用高倍显微镜可以大批量地获取细胞的蛋白质图像,形成以人类蛋白质细胞图谱图像数据集为代表的大样本数据集。另一方面,从2012年的AlexNet开始,利用卷积神经网络处理图像问题的算法也进入了高速发展期,模型的分类效果逐年提高,利用大数据方法对人类细胞蛋白质细胞图谱进行分析,探寻数据集中种种可能的规律成为了热门,学者们借此机会使用CNN处理蛋白质问题,尤其是和蛋白质相关的图像问题。过去,蛋白质细胞图像分类集中于单分类模型的讨论,基于一组不同的细胞识别某种蛋白质,每一个分类器仅能识别一种蛋白质。而现实中,单个细胞往往由多种蛋白质构成,蛋白质之间也并不是完全独立,本文希望用多标签学习的方法对人类蛋白质细胞图谱进行建模,基于一组不同的细胞识别其中包含的不同蛋白质,即输出空间包含多个元素,那这样就需要考虑到标签间的关...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 研究现状
    1.4 本文研究框架与内容
    1.5 本文的主要贡献
第二章 基础方法概述
    2.1 卷积神经网络
    2.2 数据增广
    2.3 AlexNet
        2.3.1 Dropout
        2.3.2 Relu激活函数
        2.3.3 局部回应标准化
    2.4 VggNet
    2.5 InceptionNet
        2.5.1 批标准化
    2.6 深度残差网络
    2.7 DenseNet
    2.8 损失函数
    2.9 优化方法
        2.9.1 随机梯度下降法
        2.9.2 动量
        2.9.3 Nesterov
        2.9.4 AdaGrad
        2.9.5 Adam
第三章 多标签学习模型
    3.1 多标签学习问题描述
    3.2 定义
    3.3 评估指标
        3.3.1 以样本为基础的二分类评估指标
        3.3.2 以标签为基础的二分类评估指标
        3.3.3 评估排名的指标
    3.4 多标签学习算法
        3.4.1 问题转化
        3.4.2 现有算法改编
        3.4.3 多标签图像数据集的分类方法
第四章 实践部分
    4.1 数据集可视化及数据集分析
        4.1.1 数据集可视化
        4.1.2 数据集分析
    4.2 模型构建
    4.3 模型训练
    4.4 结果展示
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：3827682