隐含层的神经元个数一般从2个变化到几十个,隐含层的神经元越多,则神经网络对训练实 例的记忆能力越强,但是神经网络的推广能力将越弱,对新蛋白质二级结构预测的准确率越 低。因此,在实际应用中需要通过大量实验,选择合适的隐含层神经元个数。 神经网络通过神经元之间的连接存贮信息或知识,因此,神经网络学习的过程实际上是 调整网络中各连接权值的过程。神经网络中各层之间的连接权值调整采用反向传播B算法 (相应的网络称为BP网)。在训练或学习过程中,将结构已知的蛋白质序列由输入层输入, 不断调整神经网络神经元之间的连接权重及网络节点的偏置,直至实际输出与期望值差别最 小为止。在训练过程的每一步,取一个窗口中的序列及窗口中心氨基酸所对应的二级结构作 为已知的映射结果,调整网络映射行为,使之与已知映射关系相一致。训练完毕后,得到 个已确定参数并且可以进行结构预测的实际神经网络。 ○●O 输出层 隐层 气广一 P?°9999 输入层 H…蛋白质序列 窗口 图7.4用于白质二级结构预测的人工神经网络 与前述其它方法相比,神经网络具有应用方便、计算能力强、预测准确率较高的特点 网络一旦训练完毕,就可以进行快速预测。 目前,蛋白质二级结构预测识别率不高的主要原因是许多预测方法没有使用足够的进化 信息和全局信息。蛋白质序列家族中,氨基酸的替换模式是高度特异的,如何利用这样的进 化信息是二级结构预测的关键。这里介绍蛋白质二级结构预测软件系统 PHDsec所使用的方隐含层的神经元个数一般从 2 个变化到几十个，隐含层的神经元越多，则神经网络对训练实 例的记忆能力越强，但是神经网络的推广能力将越弱，对新蛋白质二级结构预测的准确率越 低。因此，在实际应用中需要通过大量实验，选择合适的隐含层神经元个数。 神经网络通过神经元之间的连接存贮信息或知识，因此，神经网络学习的过程实际上是 调整网络中各连接权值的过程。神经网络中各层之间的连接权值调整采用反向传播 BP 算法 （相应的网络称为 BP 网）。在训练或学习过程中，将结构已知的蛋白质序列由输入层输入， 不断调整神经网络神经元之间的连接权重及网络节点的偏置，直至实际输出与期望值差别最 小为止。在训练过程的每一步，取一个窗口中的序列及窗口中心氨基酸所对应的二级结构作 为已知的映射结果，调整网络映射行为，使之与已知映射关系相一致。训练完毕后，得到一 个已确定参数并且可以进行结构预测的实际神经网络。 与前述其它方法相比，神经网络具有应用方便、计算能力强、预测准确率较高的特点， 网络一旦训练完毕，就可以进行快速预测。 目前，蛋白质二级结构预测识别率不高的主要原因是许多预测方法没有使用足够的进化 信息和全局信息。蛋白质序列家族中，氨基酸的替换模式是高度特异的，如何利用这样的进 化信息是二级结构预测的关键。这里介绍蛋白质二级结构预测软件系统 PHDsec 所使用的方 法