Applying Quantum Neural Networks to Microarray Analysis

View Statistics Email Alert RSS Feed

Information

Details

Project title

Code/計畫編號

NSC95-2221-E019-029

Translated Name/計畫中文名

應用量子神經網路於微陣列資料分析

Project Coordinator/計畫主持人

Jung-Hua Wang

Funding Organization/主管機關

National Science and Technology Council

Co-Investigator(s)/共同執行人

陳昭德

Department/Unit

Department of Electrical Engineering

Website

https://www.grb.gov.tw/search/planDetail?id=1310984

Year

2006

Start date/計畫起

01-08-2006

Expected Completion/計畫迄

31-07-2007

Bugetid/研究經費

605千元

ResearchField/研究領域

資訊科學--軟體

本計畫利用量子平行性優勢，結合神經網路之學習、適應性、及概泛化特性以研發資料分群(clustering)及資料分類(classification)技術應用於生物微陣列(microarray)資料分析。針對微陣列之分群工作，吾人將承續國科會去年補助計畫(NSC94-2213-E019-014)工作，在結果驗證(Validation)正確性之成果，進一步提出一新型分群方法.Two-Stage Clustering，其特點是先藉由量子力學函數預決定複數之群中心，繼之以一density based 神經網路判定各資料點之群標籤，期獲致同時進行基因資訊之分群驗證暨 (Clustering and Validation)之功效，以大幅改進運算速度及分群可信度。驗證分群結果過程中，不同群數之分群結果均被記錄，故可獲得由不同參數得到不同群之資料完整階層圖(hierarchical dendrogram)，該結果提供生物學家可依其專業判斷選擇而特定分群階層之彈性。本計畫後半期擬研發一分類方法，其結合一前饋式量子神經網路(FQNN)之平行運算學習能力及一統計分析方法。鑑於傳統crisp分類之缺點，吾人擬利用FQNN，以量子重疊態概念達到對各資料點可能所屬的分群皆擁有歸屬程度的能力，亦即，若輸入資料群分佈有部分重疊之情形，FQNN亦有能力進行正確判別。復因FQNN含隱藏層，若輸入資料結構過於複雜，例如生物gene expressions 資料群常見有highly connected或部分重疊之情形，導致大幅增加隱藏層神經元之數目及冗長之訓練時間。針對此一困擾，吾人特別提出一特徵空間轉換機 Basis Vectors Machine (BVM)，以減少隱藏層神經元數目並降低訓練時間。

Keyword(s)

微陣列分析
量子計算
神經網路
分群
分類
驗證

DSpace CRIS

Applying Quantum Neural Networks to Microarray Analysis

Details

Description