基于径向基神经网络的蛋白质二级结构预测

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (20): 17-19.

基于径向基神经网络的蛋白质二级结构预测

王菲露1，2，3，宋杨1，4

1.安徽建筑工业学院电子与信息工程学院，合肥 230601
2.中国科学技术大学自动化系，合肥 230026
3.中国科学院合肥智能机械研究所，合肥 230031
4.安徽大学电子信息工程学院，合肥 230039

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-11 发布日期:2011-07-11

Protein secondary structure prediction based on radial basis neural network

WANG Feilu1，2，3，SONG Yang1，4

1.School of Electronics and Information Engineering，Anhui University of Architecture，Hefei 230601，China
2.Department of Automation，University of Science and Technology of China，Hefei 230026，China
3.Institute of Intelligence Machines，Chinese Academy of Sciences，Hefei 230031，China
4.School of Electronics and Information Engineering，Anhui University，Hefei 230039，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-11 Published:2011-07-11

摘要/Abstract

摘要： 为提高蛋白质二级结构预测的精确度，提出并构建精确的径向基神经网络、广义回归神经网络，并基于5位编码和Profile编码，采用不同大小的滑动窗口，利用交叉检证法构建多个径向基网络预测器，分别对蛋白质二级结构进行预测，得到了较好的实验结果，其中aveQ3提高到70.96%。结果表明，径向基神经网络模型能有效提高预测精确度，也证明了实验方法的有效性和可行性。

关键词: 径向基神经网络, 蛋白质二级结构, 预测器

Abstract: In order to improve the prediction accuracy of protein secondary structure，exact radial basis function neural network and generalized regression neural network are presented.Multi-radial basis network predictors are established based on 5 encoding，Profile encoding，different sliding windows and cross validation method.These predictors are used to predict protein secondary structure，and it gets preferable results.Thereinto，aveQ3 is improved to 70.96%.The results not only show radial basis network models can increase the prediction accuracy efficiently，but also prove the validity and feasibility of these motheds.

Key words: radial basis neural network, protein secondary structure, predictor

王菲露1，2，3，宋杨1，4. 基于径向基神经网络的蛋白质二级结构预测[J]. 计算机工程与应用, 2011, 47(20): 17-19.

WANG Feilu1，2，3，SONG Yang1，4. Protein secondary structure prediction based on radial basis neural network[J]. Computer Engineering and Applications, 2011, 47(20): 17-19.

[1]	李娥，王波. HS算法在生物生态组合污水处理中的应用[J]. 计算机工程与应用, 2015, 51(1): 238-242.
[2]	于春海，潘丰. 基于逆系统的三自由度直升机内模控制设计[J]. 计算机工程与应用, 2014, 50(18): 236-239.
[3]	宋海声，赵学深，刘平和. 农业温室温度的智能辨识控制[J]. 计算机工程与应用, 2013, 49(21): 240-244.
[4]	黄建招，谢建，高钦和，李良. SA-HHGA优化RBF神经网络的方法及应用[J]. 计算机工程与应用, 2013, 49(17): 209-212.
[5]	周晓云1，覃雄派2. 基于轻量数据挖掘方法的数据库锁表优化[J]. 计算机工程与应用, 2012, 48(8): 16-20.
[6]	夏轩，许伟明. 改进的粒子群算法对RBF神经网络的优化[J]. 计算机工程与应用, 2012, 48(5): 37-40.
[7]	张辉，柴毅. 一种改进的RBF神经网络参数优化方法[J]. 计算机工程与应用, 2012, 48(20): 146-149.
[8]	刘君^1，2，熊忠阳¹，王银辉¹. 改进型动态隧道神经网络在蛋白质预测的应用[J]. 计算机工程与应用, 2011, 47(3): 13-16.
[9]	周勇1，李念水1，程春田2. 时间序列数据流预测模型应用研究[J]. 计算机工程与应用, 2011, 47(26): 135-139.
[10]	邓维，魏迎梅，张友根. 利用图像变形生成个性化人脸卡通[J]. 计算机工程与应用, 2011, 47(24): 132-135.
[11]	李汪根，叶小娇，黄尧颖. 蛋白质二级结构预测的一种新的编码方式[J]. 计算机工程与应用, 2011, 47(18): 163-165.
[12]	陈刚¹，杜树新¹，江丽²，李晨²，蔡婧². 基于神经网络的氟石粉液化模型分析[J]. 计算机工程与应用, 2010, 46(26): 245-248.
[13]	马建仓，彭锦涛，孟凡路. 自适应提升小波变换及飞机发动机故障分析[J]. 计算机工程与应用, 2010, 46(18): 202-204.
[14]	胡鸿豪，宋丽平，肖绚. 元胞自动机图的蛋白质二级结构类型预测 [J]. 计算机工程与应用, 2010, 46(15): 226-229.
[15]	李伟,赵亚欧,陈月辉. 均衡数据法提高蛋白质二级结构预测[J]. 计算机工程与应用, 2009, 45(6): 219-220.