复值化胶囊神经网络研究及其在分子毒性预测的应用

发布时间：2023-04-19 00:20

　　目前,已经有一些研究将机器学习模型以及深度学习模型应用于分子毒性预测任务之中,这极大地提升了分子毒性预测任务的准确率以及缩短了分子毒性评定的实验周期。在这其中,一些工作表明胶囊神经网络在这一任务中取得了优越的性能。胶囊神经网络自提出以来,其在一些任务中取得了显著的成绩,例如图象识别,文本分类等领域。针对于当前的胶囊神经网络研究而言,大部分的研究工作集中在对路由层的改变。目前一些研究表明,针对于一些实数值神经网络架构而言,将其推广到复数域之上,可以获得更好的性能表现。例如在语音识别任务中,复值神经网络相较于实值神经网络而言能够更好地挖掘语音数据的潜在信息。基于此,本文研究了将胶囊神经网络推广到复数域的方法,同时将推广的复值胶囊神经网络应用于分子毒性预测任务之上。本文的主要研究工作及结论主要分为两方面。第一,本文借鉴了量子力学的基础假设,将胶囊神经网络的路由层类比于量子力学中的测量过程,提出了两种基于量子力学假设的复值化胶囊神经网络,基于状态向量的复值化胶囊神经网络以及基于密度矩阵的复值化胶囊神经网络。同时,本文提出了一种将实值数据转化为复值的方法,在这一方法中,利用实值数据中的统计特性产...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 复值神经网络
        1.2.2 胶囊神经网络
        1.2.3 分子毒性预测
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 神经网络基础
    2.1 复值神经网络
        2.1.1 复值前馈神经网络
        2.1.2 复值卷积神经网络
        2.1.3 复值神经网络反向传播
        2.1.4 针对于实值分类任务
    2.2 胶囊神经网络
        2.2.1 拓扑结构
        2.2.2 路由层
    2.3 本章小结
第三章 复值胶囊神经网络
    3.1 量子力学基础
        3.1.1 基于状态向量的量子力学假设
        3.1.2 基于密度算符的量子力学假设
    3.2 复值胶囊路由算法
        3.2.1 胶囊路由算法的直接复值推广
        3.2.2 基于量子力学假设的复值化胶囊路由算法
    3.3 复值胶囊神经网络模型
    3.4 实值数据复值化
    3.5 图像分类实验
        3.5.1 数据集介绍
        3.5.2 损失函数
        3.5.3 预测
        3.5.4 复值化的有效性实验
        3.5.5 图像分类实验
        3.5.6 复值胶囊神经网络实验效果
    3.6 本章小结
第四章 分子毒性预测
    4.1 研究背景
    4.2 数据集介绍
    4.3 评价指标
    4.4 网络结构
    4.5 实验分析
    4.6 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读专业硕士学位期间取得的成果



本文编号：3793334