[发明专利]一种纳米孔单分子感知信号知识表示学习方法在审
申请号: | 202210568004.4 | 申请日: | 2022-05-24 |
公开(公告)号: | CN114974463A | 公开(公告)日: | 2022-08-30 |
发明(设计)人: | 唐鹏;翁婷;殷博华 | 申请(专利权)人: | 中国科学院重庆绿色智能技术研究院 |
主分类号: | G16C20/70 | 分类号: | G16C20/70;G06N3/04;G06N3/08 |
代理公司: | 北京汉迪信和知识产权代理事务所(普通合伙) 16085 | 代理人: | 赵景焕 |
地址: | 400714 *** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 纳米 分子 感知 信号 知识 表示 学习方法 | ||
1.一种纳米孔单分子感知信号知识表示学习方法,其特征在于,其为一种基于实例判别transformer的纳米孔单分子感知信号知识表示学习方法,其适用于机器学习和纳米孔单分子感知技术。
2.根据权利要求1所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,其包括以下步骤:
步骤一、构建基于transformer的纳米孔单分子感知信号知识表示学习神经网络模型;
步骤二、创建纳米孔单分子感知信号数据集并对信号数据进行合适的预处理;
步骤三、设置神经网络模型内各参数初始值,以最小化损失函数为目标训练模型实现针对纳米孔单分子感知信号的实例级判别;
步骤四、将待处理的感知信号输入到训练完成的模型输出信号对应的知识表示。
3.根据权利要求2所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤一中的神经网络模型包括信号嵌入处理部分、transformer编码器部分和信号实例判别部分,信号嵌入处理部分负责对信号进行预处理和信号嵌入转换,将信号嵌入转换为适合transformer编码器进行处理的信号嵌入形式。
4.根据权利要求3所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,transformer编码器部分经多层神经网络计算将信号转换为对应的知识表示;信号实例判别部分,以知识表示作为信号特征判定信号所属的实例类别。
5.根据权利要求2所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤二中的纳米孔单分子感知信号数据集包括由实验采集提取或理论模拟获取的纳米孔单分子感知信号数据组成。
6.根据权利要求2所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,所述纳米孔单分子为蛋白质、多肽、多糖、DNA、RNA或其他标志物分子。
7.根据权利要求6所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤二中的纳米孔单分子感知信号数据集需要针对纳米孔单分子感知信号数据集进行合适的预处理,以满足模型训练或知识表示提取的输入数据形式要求。
8.根据权利要求7所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤三中,以最小化损失函数为目标训练模型,使用损失函数引导模型,挖掘信号数据集内的分子过孔行为模式信息,实现信号的实例级判别。
9.根据权利要求8所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤三中所述损失函数定义为如下的负对数似然函数J(θ):
v=fθ(xi)
其中,xi是实例类别为i的输入信号,fθ(·)是实现信号知识表示学习的多层神经网络模型,θ代表所述神经网络模型内的所有需进行优化学习的参数,v是学习到的知识表示,P(i|v)则是输入信号被判定为实例类别i的条件概率。
10.根据权利要求8所述的纳米孔单分子感知信号知识表示学习方法,其特征在于,步骤三中所述损失函数中的条件概率P(i|v)使用如下的非参数变式:
其中衡量了学习到的知识表示v被判定为实例类别i的可能性,而τ是调制v在知识表示空间内的分布的温度参数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院重庆绿色智能技术研究院,未经中国科学院重庆绿色智能技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210568004.4/1.html,转载请声明来源钻瓜专利网。