版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、近年來,隨著生物技術(shù)的發(fā)展,出現(xiàn)了很多生物網(wǎng)絡(luò)數(shù)據(jù),生物網(wǎng)絡(luò)數(shù)據(jù)規(guī)模有了顯著地增加,包括蛋白質(zhì)作用網(wǎng)絡(luò),新陳代謝網(wǎng)絡(luò),基因調(diào)控網(wǎng)絡(luò)等。如何從這些數(shù)據(jù)中挖掘出與功能相關(guān)的結(jié)構(gòu)是目前的一個(gè)研究熱點(diǎn)。模體是指在某個(gè)網(wǎng)絡(luò)的多個(gè)不同部分出現(xiàn)的某一相互連接的子結(jié)構(gòu),其表達(dá)程度明顯高于在隨機(jī)網(wǎng)絡(luò)中的表達(dá)。如何從生物網(wǎng)絡(luò)中挖掘出模體是研究生物體進(jìn)化和生物網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)鍵一步。目前的模體識(shí)別方法主要是針對(duì)確定圖,但是研究得到的生物網(wǎng)絡(luò)數(shù)據(jù)通常帶有不可避免的
2、實(shí)驗(yàn)誤差或噪聲數(shù)據(jù),同時(shí),生物進(jìn)化過程本身也是一種動(dòng)態(tài)變化的過程。因此生物概率網(wǎng)絡(luò)的研究更具生物意義。
在目前已有研究中,主要采用可能世界模型,即將每個(gè)概率予圖映射為2n個(gè)可能的圖實(shí)例,其中n為子圖邊數(shù)。隨著模體規(guī)模的增大,枚舉的圖規(guī)模將急劇增加,算法的復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)?;陔娐纺M法判別概率子圖同構(gòu)算法,避免了使用傳統(tǒng)算法中的可能世界模型,將子圖同構(gòu)的拓?fù)浔葘?duì)轉(zhuǎn)化成節(jié)點(diǎn)電壓序列的比較。但是因需要對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行全激勵(lì),效率較
3、低。生物概率網(wǎng)絡(luò)模體識(shí)別分為三部分,概率子圖搜索、概率頻繁模式識(shí)別和模體統(tǒng)計(jì)意義計(jì)算。但隨著模體節(jié)點(diǎn)數(shù)的增加,對(duì)應(yīng)的子圖數(shù)量也急劇增加,從而使模體識(shí)別在時(shí)間和空間消耗上都超出了單機(jī)的處理能力。
針對(duì)這些問題,本文的主要工作如下:
在電路模擬法的概率子圖同構(gòu)算法(Probability Subgraph Isomorphic based on CircuitSimulation,PSI-CS)基礎(chǔ)上,基于在兩個(gè)概率同構(gòu)
4、子圖對(duì)應(yīng)的伴隨電路中,對(duì)應(yīng)節(jié)點(diǎn)在相同全激勵(lì)下會(huì)產(chǎn)生對(duì)應(yīng)相似的節(jié)點(diǎn)電壓序列的思想,提出單節(jié)點(diǎn)全激勵(lì)的概率子圖同構(gòu)算法(Probability Subgraph Isomorphic based on Single Node with Complete Excitation, PSI-SNCE),該算法通過添加一個(gè)參考節(jié)點(diǎn)并施加全激勵(lì),不需要對(duì)子圖中的每個(gè)節(jié)點(diǎn)進(jìn)行全激勵(lì)計(jì)算節(jié)點(diǎn)電壓序列,從而使求解方程組的次數(shù)減少約n倍(n為子圖的頂點(diǎn)數(shù)),
5、效率得到大大提高。
在非樹形子圖枚舉算法(Enumerate Non-tree Subgraph,ESN)和基于劃分的非樹形子圖搜索算法(Partition-based Non-tree Subgraph Search,PNSS)基礎(chǔ)上,提出一種適合于并行化環(huán)境的非樹形子圖搜索算法:基于序號(hào)的非樹形子圖搜索算法(Order-based Non-treeSubgraph Search,ONSS),能夠在保證子圖搜索的唯一性、不遺
6、漏性及不重復(fù)性的基礎(chǔ)上,將任務(wù)均衡分布到并行計(jì)算節(jié)點(diǎn)上,效率得到顯著提高。
聚類過程是概率頻繁模式識(shí)別算法中計(jì)算復(fù)雜度最高的部分,為此提出聚類過程的并行化方案,在迭代運(yùn)算較優(yōu)的Spark集群環(huán)境中并行化實(shí)現(xiàn)。在概率頻繁模式識(shí)別的聚類過程中,采用PSI-SNCE算法計(jì)算兩概率子圖是否同構(gòu),若同構(gòu),則聚成一類,若不同構(gòu),則保持不變。最后將滿足要求的少量概率頻繁模式進(jìn)行模體統(tǒng)計(jì)意義計(jì)算,得出P-Value值,即可得出概率模體。
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 生物概率網(wǎng)絡(luò)中頻繁模式識(shí)別算法的研究.pdf
- 聚集類型數(shù)據(jù)中頻繁模式挖掘的研究.pdf
- 數(shù)據(jù)挖掘中頻繁集的產(chǎn)生算法.pdf
- 數(shù)據(jù)流中頻繁項(xiàng)集挖掘研究.pdf
- 數(shù)據(jù)流中頻繁項(xiàng)目集挖掘算法的研究.pdf
- 不確定數(shù)據(jù)中頻繁序列模式挖掘算法的研究.pdf
- 基于MapReduce的高效頻繁子圖挖掘方法研究.pdf
- 數(shù)據(jù)流中頻繁模式挖掘方法的研究及應(yīng)用.pdf
- 不確定數(shù)據(jù)流中頻繁數(shù)據(jù)挖掘研究.pdf
- 生物序列近似頻繁模式挖掘研究.pdf
- 不確定網(wǎng)絡(luò)中概率模體挖掘算法的研究.pdf
- 大數(shù)據(jù)庫(kù)中頻繁模式挖掘算法研究及應(yīng)用.pdf
- 頻繁和高效用項(xiàng)集挖掘算法研究.pdf
- 文本關(guān)聯(lián)分析中頻繁項(xiàng)集挖掘算法的研究與改進(jìn).pdf
- 不確定數(shù)據(jù)流中頻繁模式挖掘算法的研究.pdf
- 一種高效頻繁項(xiàng)集挖掘算法的研究.pdf
- 數(shù)據(jù)流中頻繁項(xiàng)集挖掘算法及其應(yīng)用研究.pdf
- 頻繁子圖挖掘算法及其在生物網(wǎng)絡(luò)中的應(yīng)用.pdf
- 生物網(wǎng)絡(luò)中概率模體發(fā)現(xiàn)算法的研究.pdf
- 基于計(jì)數(shù)的網(wǎng)絡(luò)流量中頻繁項(xiàng)檢測(cè)算法研究.pdf
評(píng)論
0/150
提交評(píng)論