针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
【目的】利用全基因组关联分析(genome-wide association study,GWAS)解析60周龄蛋鸡蛋黄比率遗传结构,旨在挖掘地方鸡种优异基因资源,进而为培育适应市场需求的特色蛋鸡品种奠定基础。【方法】数据采集自江苏省家禽科学研究所蛋鸡资源...【目的】利用全基因组关联分析(genome-wide association study,GWAS)解析60周龄蛋鸡蛋黄比率遗传结构,旨在挖掘地方鸡种优异基因资源,进而为培育适应市场需求的特色蛋鸡品种奠定基础。【方法】数据采集自江苏省家禽科学研究所蛋鸡资源群体。依据F_(2)设计构建试验群体,分别以东乡绿壳蛋鸡、白来航鸡为亲本,经正反交获得F_(1)、F_(2)代。表型数据组包括开产日龄、胫长、体重、蛋重、哈氏单位以及蛋黄比率。收集F_(2)代产蛋鸡血液样本,以600K基因芯片对1534只试验鸡进行基因型分型。对SNPs数据进行质量控制、基因型数据填充。表型数据经去除离群值等清洗步骤后,以单因素方差分析检验影响性状表型值的因素,确定列入固定效应的因子。以系谱数据构建遗传关系矩阵,以多性状动物模型分析资源群体方差组分及遗传参数;作为对比,以系谱数据加基因型分型数据构建杂交遗传关系矩阵,用单性状动物模型计算遗传力,用双性状动物模型计算遗传相关系数。利用BLUPF90软件获得SNP效应值,以postGSf90获得SNP对应的P值以及权重,从而获得蛋黄比率关联的基因组显著水平SNP。针对蛋黄比率性状,计算染色体遗传力和单倍型片段长度。【结果】东乡绿壳蛋鸡蛋黄比率高于白来航鸡蛋黄比率,品种-批次效应对表型值影响显著,将其列入统计模型固定效应。应用杂交遗传关系矩阵分析,蛋黄比率、蛋重遗传力分别为0.348±0.041、0.500±0.038,蛋黄比率与蛋重、哈氏单位遗传相关系数分别为-0.463±0.075、-0.165±0.111;应用系谱遗传关系矩阵分析,蛋黄比率、蛋重遗传力分别为0.387±0.052、0.465±0.052,蛋黄比率与蛋重、哈氏单位遗传相关系数分别为-0.405±0.091、-0.166±0.121。蛋黄比率关联分析的膨胀系数为1.007,表明蛋鸡资源群体未检测到层化结构。鸡22号染色体存在与蛋黄比率显著关联的遗传座位,在显著性SNP之下有8个支持位点超过基因组潜在水平线。显著性以及潜在水平SNP可解释2.18%的表型方差,单倍型片段长度达到71 kb。此外,鸡2号染色体也检测到基因组潜在水平SNP。染色体遗传力分析表明,蛋黄比率受微效多基因控制,染色体遗传力与该染色体容纳的基因数呈正比例。【结论】应用加权一步法GWAS解析了蛋黄比率遗传结构,筛选得到ADAM9基因与60周龄蛋黄比率密切相关;相比于系谱遗传关系矩阵,杂交遗传关系矩阵减少孟德尔抽样误差,获得的遗传参数更准确。展开更多
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
文摘【目的】利用全基因组关联分析(genome-wide association study,GWAS)解析60周龄蛋鸡蛋黄比率遗传结构,旨在挖掘地方鸡种优异基因资源,进而为培育适应市场需求的特色蛋鸡品种奠定基础。【方法】数据采集自江苏省家禽科学研究所蛋鸡资源群体。依据F_(2)设计构建试验群体,分别以东乡绿壳蛋鸡、白来航鸡为亲本,经正反交获得F_(1)、F_(2)代。表型数据组包括开产日龄、胫长、体重、蛋重、哈氏单位以及蛋黄比率。收集F_(2)代产蛋鸡血液样本,以600K基因芯片对1534只试验鸡进行基因型分型。对SNPs数据进行质量控制、基因型数据填充。表型数据经去除离群值等清洗步骤后,以单因素方差分析检验影响性状表型值的因素,确定列入固定效应的因子。以系谱数据构建遗传关系矩阵,以多性状动物模型分析资源群体方差组分及遗传参数;作为对比,以系谱数据加基因型分型数据构建杂交遗传关系矩阵,用单性状动物模型计算遗传力,用双性状动物模型计算遗传相关系数。利用BLUPF90软件获得SNP效应值,以postGSf90获得SNP对应的P值以及权重,从而获得蛋黄比率关联的基因组显著水平SNP。针对蛋黄比率性状,计算染色体遗传力和单倍型片段长度。【结果】东乡绿壳蛋鸡蛋黄比率高于白来航鸡蛋黄比率,品种-批次效应对表型值影响显著,将其列入统计模型固定效应。应用杂交遗传关系矩阵分析,蛋黄比率、蛋重遗传力分别为0.348±0.041、0.500±0.038,蛋黄比率与蛋重、哈氏单位遗传相关系数分别为-0.463±0.075、-0.165±0.111;应用系谱遗传关系矩阵分析,蛋黄比率、蛋重遗传力分别为0.387±0.052、0.465±0.052,蛋黄比率与蛋重、哈氏单位遗传相关系数分别为-0.405±0.091、-0.166±0.121。蛋黄比率关联分析的膨胀系数为1.007,表明蛋鸡资源群体未检测到层化结构。鸡22号染色体存在与蛋黄比率显著关联的遗传座位,在显著性SNP之下有8个支持位点超过基因组潜在水平线。显著性以及潜在水平SNP可解释2.18%的表型方差,单倍型片段长度达到71 kb。此外,鸡2号染色体也检测到基因组潜在水平SNP。染色体遗传力分析表明,蛋黄比率受微效多基因控制,染色体遗传力与该染色体容纳的基因数呈正比例。【结论】应用加权一步法GWAS解析了蛋黄比率遗传结构,筛选得到ADAM9基因与60周龄蛋黄比率密切相关;相比于系谱遗传关系矩阵,杂交遗传关系矩阵减少孟德尔抽样误差,获得的遗传参数更准确。
