摘 要:
针对目前神经网络在处理类似生物信息数据库这类较大规模数据时，遇到的大规模数据处理耗时过长、内存资源不足等问题．在分析当前神经网络分布式学习的基础上，提出了一种新的基于Agent和切片思想的分布式神经网络协同训练算法．通过对训练样本和训练过程的有效切分，整个样本集的学习被分配到一个分布式神经网络集群环境中进行协同训练，同时通过竞争筛选机制，使得学习性能较好的训练个体能有效地在神经网络群中迁移，以获得较多的资源进行学习．理论分析论证了该方法不仅能有效提高神经网络向目标解收敛的成功率，同时也具有较高的并行计算性能，以加快向目标解逼近的速度．最后，该方法被应用到了蛋白质二级结构预测这一生物信息学领域的问题上．结果显示，该分布式学习算法不仅能有效地处理大规模样本集的学习，同时也改进了训练得到的神经网络性能．
