【作者机构】扬州大学信息工程学院 【分 类 号】R91;|TP183 【分类导航】医药、卫生->药学->药物基础科学 【关 键 词】深度神经网络 虚拟筛选 特征提取 【摘 要】药物的研发是一种投入成本高、耗费时间长且成功率较低的一种研究,为了在药物开发阶段可以快速获得潜在的化合物,针对性地提出一种基于深度神经网络的药物蛋白虚拟筛选的方法。首先从给定数据集中学习如何提取相关特征,获取配体原子和残基类型进行特征分析,快速识别活性分子和非活性分子,然后使用降维方式和K折验证等方法对药物筛选的模型进行处理,最后通过分析富集因子和AUC值验证诱饵化合物与分子蛋白的互相作用验证模型的可靠程度,实验结果表明所提出的筛选方法具有很好的可行性和有效性,有效地加快了虚拟筛选过程。 基于知识蒸馏的中文自动语音识别的建模方法[J].现代计算机,2020,第8期 自动语音识别技术在实际应用中,训练语料往往分布是不均匀的,通用领域的语料比较丰富,专业领域语料比较少,为了提高语音识别系统在多领域识别上的泛化能力,通过迁移学习的方式构建不同领域语料的深度神经网络声学模型。大模型通过知识蒸馏生成软标签,通过软标签和小模型数据生成新模型,训练过程中两个模型之间后验概率分布的差异通过KL散度最小化的方式,使生成的新模型在后验概率上和原始模型相对逼近。新模型的泛化能力得到有效提升。 基于VGG16架构的中国名人面孔识别[J].科技风,2020,第7期 人脸识别在现实生活中具有广阔的发展前景,本文设计了一种新的位姿不变的人脸识别深度神经网络算法,以极低的错误率识别中国公众名人。该算法首先是构建了一个新的数据集,数据集的每一张图片是带有标签的面孔。其次是对构建的新数据集上的深卷积神经网络(CNN) VGG-16架构进行了微调。文中算法和Fisherface相比,在识别精度和耗时上面均表现更好。 基于生成对抗网络的对抗样本生成[J].现代计算机,2020,第7期 随着深度神经网络的大规模研究应用,其面对对抗样本的脆弱性也随之被发现。通过向神经网络的输入数据中添加微小的扰动,即可造成神经网络出现误判。因此提高神经网络的安全性和鲁棒性也是深度学习和安全领域的热点。研究人员设计通过利用生成对抗网络并引入深度残差网络,重新构建判别器和生成器,从而在现有的对抗样本生成基础上提高生成图像的质量。在Mnist和Cifar10数据集上与已知的对抗样本生成算法进行比较,结果表明性能有所提升。 基于神经网络的真空断路器状态诊断[J].科学技术创新,2020,第6期 真空断路器作为电力系统的开关以及保护设备,其能可靠地工作对于电力系统的安全运行具有十分重大的意义。首先对采集到的断路器状态信号进行小波包变换,利用能量熵获取特征向量;其次对于提取到的特征向量用深度神经网络进行处理,将正常状态与故障状态进行一次分类;最后再用BP神经网络对故障状态进行判断,按照具体故障类型进行分类。仿真结果表明,提出的基于深度神经网络与BP神经网络结合的真空断路器故障诊断方法相比较于其它方法具有更高的准确性和快速性。 基于深度神经网络的变电站继电保护装置状态监测技术[J].电力系统保护与控制,2020,第5期 监测变电站中继电保护装置的实时状态对避免设备损坏或故障,维持电网稳定运行有重要意义。传统的状态监测依赖于定期的人工检查,在耗费大量人力的同时,也难以做到不间断实时监测,且检测精度容易受到主观因素的限制。针对这一困境,提出基于深度神经网络与计算机视觉技术的变电站继电保护设备状态监测技术。利用平移变焦摄像机拍摄的变电站实时画面,首先进行图像去噪,并利用图像相关性进行图像配准。根据尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)描述,使用深度神经网络进行图像分类,识别出设备的状态。同时,提出一种对标准图像配准框架的修改方案,使得算法在不同光照条件下具有更高鲁棒性。在实际应用中,该算法可以达到超过99%的检测准确率,大幅提升了变电站的安全性。 一种改进的深度神经网络应用于推荐系统[J].无线互联科技,2020,第4期 推荐系统是信息过滤的一种重要工具。随着互联网和大数据的介入,推荐系统的技术革新面临着新的挑战。近年来,深度学习的革命性进步在语音识别、图像分析和自然语言处理方面都受到了广泛关注。与此同时,一种应用于许多复杂任务的最先进的机器学习技术被用于推荐系统,以提高推荐的质量。由于其一流的性能表现和高质量的推荐结果,深度学习可以更好地理解用户需求、项目特征及其之间的历史性互动。文章提出将一种改进的深度神经网络应用于推荐系统。实验结果表明,该方法的效果令人瞩目。 用于个性化推荐的条件卷积隐因子模型[J].计算机工程,2020,第4期 在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息。为此,提出一种新的条件卷积方法。通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性。在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐。实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%。 高效深度神经网络综述[J].电信科学,2020,第4期 近年来,深度神经网络(DNN)在计算机视觉、自然语言处理等AI领域中取得了巨大的成功。得益于更深更大的网络结构,DNN的性能正在迅速提升。然而,更深更大的深度神经网络需要巨大的计算和内存资源,在资源受限的场景中,很难部署较大的神经网络模型。如何设计轻量并且高效的深度神经网络来加速其在嵌入式设备上的运行速度,对于推进深度神经网络技术的落地意义巨大。对近年来具有代表性的高效深度神经网络的研究方法和工作进行回顾和总结,包括参数剪枝、模型量化、知识蒸馏、网络搜索和量化。同时分析了不同方法的优点和缺点以及适用场景,并且展望了高效神经网络设计的发展趋势。 面向深度神经网络训练的数据差分隐私保护随机梯度下降算法[J].计算机应用与软件,2020,第4期 针对传统深度神经网络所采用的随机梯度下降算法忽略了对数据集隐私性保护的缺点,提出一种基于数据差分隐私保护的随机梯度下降算法。引入范数剪切与附加高斯噪声操作,对传统梯度更新策略进行改进。为衡量每次迭代过程中对数据隐私性的破坏,提出隐私损失累积函数在迭代过程中对数据隐私性的侵犯程度进行度量。MNIST手写数字识别和CIFAR-10图像分类实验表明,该算法在保护数据集隐私性的同时,对手写数字以及图像分类的识别准确率分别超过了90%和70%,且相较于传统的随机梯度下降算法,其准确率提升了5%以上。该算法在实际工程中能够有效兼顾数据隐私性保护与神经网络辨识准确度。 机器学习DNN和XGBoost算法对危重患者预后预测模型效能评估[J].实用医学杂志,2020,第4期 目的研究深度神经网络(deep neural network,DNN)和极限梯度提升(XGBoost)算法对单中心重症患者预后的预测效能。方法本研究使用美国大型重症医学数据库MIMIC-Ⅲ作为数据来源,分别使用DNN和XGBoost算法构建重症患者全因死亡率的预测模型,使用10折交叉验证法对模型性能进行评估,并与传统的简化急性生理评分-Ⅱ(SAPS-Ⅱ)评分比较模型的预测性能。结果研究共纳入30 833例患者,其中7 866例(25.5%)患者在进入ICU后1年内死亡。研究采用真阳性率、阳性预测值、F值、受试者工作特征曲线下面积(AUC)进行模型效能的评估。三种模型得到AUC值分别为:SAPS-Ⅱ模型(0.75±0.04)、DNN模型(0.64±0.18)、XGBoost模型(0.80±0.02),提示XGBoost模型在重症患者1年内全因病死率的预测效能优于DNN模型和SAPS-Ⅱ模型。结论与SAPS-Ⅱ评分及DNN算法模型相比,XGBoost模型可更稳健预测危重患者1年内全因病死率。