王揚帆，男，博士，中國海洋大學教授。
基本介紹
- 中文名：王揚帆
- 職業：教師
- 學位/學歷：博士
- 專業方向：全基因組選擇育種
- 任職院校：中國海洋大學
個人經歷,研究方向,學術成果,
個人經歷
2005.09-2007.07，中國海洋大學通信與數據系統專業，提前讀博
2007.09-2009.09，中國海洋大學計算機套用技術專業，博士學位
2009.09-2011.06，國家聯合培養博士生項目，鄧迪大學計算生物專業學習
2011.06-2012.03，英國鄧迪大學計算生物專業，博士後
2019.01-2019.12, 美國威斯康星大學麥迪遜分校動物科學專業，訪問學者
研究方向
全基因組選擇育種
學術成果
以第一作者或通訊作者發表相關SCI論文20餘篇，其中中科院SCI分區一、二區10餘篇。
全基因組選擇核心技術方面。 全基因組選擇育種是通過整個基因組SNP連鎖分析找到與表型性狀有關的標去套記或數量性狀基因座，並估計個體全基因組估計育種值，成倍提高遺傳進展的育種研究。本人與國際遺傳育種知名學者美國威斯康星大學麥迪遜分校Professor Guilherme J. M. Rosa，構估敬籃建深層稀疏結構神經網路對基因位點上位互作非線性炒笑晚效應進行了設計，擴展了全基因組選擇育種值估計的計算模型，以第一作者身份共同發表於美國動物科學學會（American Society of Animal Science）會刊《Journal of Animal Science》 上。深度學習算法是基於神經網路全基因選擇核心技術的關鍵問題，本人針對全基因組選擇中可以存在大量位點效應值非常小或無互作的情況，構建稀疏結構神經網路進行描述標記稀戒姜炒謎疏互作，並利用研究在非凸約束神經網路深度學習算法及其收斂性方面做了大量的工作，以通訊作者身份分別發表TOP期刊——美國電子電器學會（IEEE）會刊《IEEE Transactions on Neural Networks and Learning Systems》與《Neural Networks》。
全基因組選擇中表型性狀分析方面，精確、快速、高通量的數量性狀提取是全基因選擇研究的重要前提，本人利用計算機成像處理技術對扇貝外形、紋路等數量性狀，進行了精細提取和描述；墓臭組提出了基於高斯核匹配濾波結合多尺度PDE的全變分模型對貝殼圖像中管狀紋路進行疊代分割提取處理新方法，在不同尺度下得到了的精細紋路，得到了大量扇貝生長點的信息，背厚束並擬合扇貝生長過程Logistic函式；同時，成功實現了不同種類外形相似的扇貝類別區分，為扇貝趨同進化中形態學分類提供了有效方法，相關內容以通訊作者身份，發表在著名期刊——英國生態學會（British Ecological Society）會刊《Ecology and Evolution》及美國數學科學研究所(American institute of mathematical sciences AIMS)會刊《Inverse Problem and Imaging》
全基因選擇在扇貝育種套用方面。本人利用上的2b-rad技術和全基因組選擇中對扇貝進行遺傳參數，育種值估計，抗逆性狀遺傳解析方面做了大量原創工作，相關內容以第一煉墓和章或通訊作者身份發表於水產領域TOP期刊 《Aquaculture》，《Marine Biotechnology》，《Frontiers in Genetics》。
全基因選擇軟體開發方面。發表了相關軟體《貝類全基因組選擇遺傳育種分析評估系統》，《基於深度學習神經網路赤潮災害預測軟體》軟體著作權，構建了基於LAMP（Linux+Apache+MySQL+PHP）Web框架平台的貝類全基因組選擇遺傳育種分析評估系統，實現了估計育種值的快速計算並分析評估，有利於進一步套用於實際生產，提供了全基因選擇育種的技術支持。
科研項目
2棘皮類分子育種共性技術/2018YFD0901，國家重點研發計畫-藍色糧倉項目。
表性文章（近五年第一或者通訊）
1. “An R package for Fitting Sparse Neural Networks with Application in Animal Breeding”. Journal of Animal Science. 2018.96:2016–2026. （中科院，SCI一區TOP IF 1.813）
2. “DynamicalBehavior of Nonautonomous Stochastic Reaction– Diffusion Neural-Network Models”. IEEE Transactions on Neural Networks and Learning Systems .2019/4/30(5). （中科院，SCI一區TOP IF 11.683）
3. “Dynamical Behavior of Delayed Reaction-Diffusion Hopfield Neural Networks Driven by Infinite Dimensional Wiener Processes”. IEEE Transactions on Neural Networks and Learning Systems. 2016. 27(9):1816-1826. （中科院，SCI一區TOP IF 6.1）
4．“Stability of stochastic impulsive reaction diffusion neural networks with S-type Distributed delays and its application to Image encryption”. Neural Networks . 2019/8/116. （中科院，SCI一區TOP 5.78）
5. “Expression of cathepsin f in response to bacterial challenges in yesso scallop patinopecten yessoensis”. Fish & Shellfish Immunology. 2018. 80, 141-147. （中科院，SCI一區TOP）
6. “Estimating realized heritability for growth in Zhikong scallop (Chlamys farreri) using genome-wide complex trait analysis”. Aquaculture, 2018. 497:103–108. （中科院，SCI二區TOP）
7．Predicting growth traits with genomic selection methods in Zhikong scallop (Chlamys farreri).” Marine Biotechnology. 2018, DOI: 10.1007/s10126-018-9847-z . （中科院，SCI二區）
8. “Existence-uniqueness and stability of reaction-diffusion stochastic Hopfield neural networks with S-type distributed time delays”. Neurocomputing. 2017. 275 :470–477 （中科院，SCI二區）
9. “Existence, uniqueness and stability of mild solutions to stochastic reaction–diffusion Cohen–Grossberg neural networks with delays and Wiener processes”. Neurocomputing ,2017. 275 :470–477 （中科院，SCI二區）
10. “Retinal vessel segmentation using a finite element based binary level set method”. Inverse Problems & Imaging, 2014, 8 (2) : 459-473. （中科院，SCI二區）
11. “Using a multiscale image processing method to characterize the periodic growth patterns on scallop shells.” Ecology and Evolution. 2017. 7(5): 1616–1626. （SCI）
12. “Robust Exponential Synchronization for Stochastic Delayed Neural Networks with Reaction–Diffusion Terms and Markovian Jumping”. Neural Processing Letters 2017 .doi.org/10.1007/s11063-017-9756-6 （SCI）
13. “Learning non-negativity constrained variation for image denoising and deblurring”. Numerical Mathematics Theory Methods & Applications, 10(4), 852-871.（SCI）
14. “Performance comparison of two efficient genomic selection methods (gsbay & MixP) applied in aquacultural organisms”. Journal of Ocean University of China , 2017 , 16 (1) :137-144 （SCI）
15．貝類全基因組選擇遺傳育種分析評估系統， 中國海洋大學，2017SR093088
16．基於深度學習神經網路赤潮災害預測軟體，中國海洋大學， 2016SR175844
全基因選擇軟體開發方面。發表了相關軟體《貝類全基因組選擇遺傳育種分析評估系統》，《基於深度學習神經網路赤潮災害預測軟體》軟體著作權，構建了基於LAMP（Linux+Apache+MySQL+PHP）Web框架平台的貝類全基因組選擇遺傳育種分析評估系統，實現了估計育種值的快速計算並分析評估，有利於進一步套用於實際生產，提供了全基因選擇育種的技術支持。
科研項目
2棘皮類分子育種共性技術/2018YFD0901，國家重點研發計畫-藍色糧倉項目。
表性文章（近五年第一或者通訊）
1. “An R package for Fitting Sparse Neural Networks with Application in Animal Breeding”. Journal of Animal Science. 2018.96:2016–2026. （中科院，SCI一區TOP IF 1.813）
2. “DynamicalBehavior of Nonautonomous Stochastic Reaction– Diffusion Neural-Network Models”. IEEE Transactions on Neural Networks and Learning Systems .2019/4/30(5). （中科院，SCI一區TOP IF 11.683）
3. “Dynamical Behavior of Delayed Reaction-Diffusion Hopfield Neural Networks Driven by Infinite Dimensional Wiener Processes”. IEEE Transactions on Neural Networks and Learning Systems. 2016. 27(9):1816-1826. （中科院，SCI一區TOP IF 6.1）
4．“Stability of stochastic impulsive reaction diffusion neural networks with S-type Distributed delays and its application to Image encryption”. Neural Networks . 2019/8/116. （中科院，SCI一區TOP 5.78）
5. “Expression of cathepsin f in response to bacterial challenges in yesso scallop patinopecten yessoensis”. Fish & Shellfish Immunology. 2018. 80, 141-147. （中科院，SCI一區TOP）
6. “Estimating realized heritability for growth in Zhikong scallop (Chlamys farreri) using genome-wide complex trait analysis”. Aquaculture, 2018. 497:103–108. （中科院，SCI二區TOP）
7．Predicting growth traits with genomic selection methods in Zhikong scallop (Chlamys farreri).” Marine Biotechnology. 2018, DOI: 10.1007/s10126-018-9847-z . （中科院，SCI二區）
8. “Existence-uniqueness and stability of reaction-diffusion stochastic Hopfield neural networks with S-type distributed time delays”. Neurocomputing. 2017. 275 :470–477 （中科院，SCI二區）
9. “Existence, uniqueness and stability of mild solutions to stochastic reaction–diffusion Cohen–Grossberg neural networks with delays and Wiener processes”. Neurocomputing ,2017. 275 :470–477 （中科院，SCI二區）
10. “Retinal vessel segmentation using a finite element based binary level set method”. Inverse Problems & Imaging, 2014, 8 (2) : 459-473. （中科院，SCI二區）
11. “Using a multiscale image processing method to characterize the periodic growth patterns on scallop shells.” Ecology and Evolution. 2017. 7(5): 1616–1626. （SCI）
12. “Robust Exponential Synchronization for Stochastic Delayed Neural Networks with Reaction–Diffusion Terms and Markovian Jumping”. Neural Processing Letters 2017 .doi.org/10.1007/s11063-017-9756-6 （SCI）
13. “Learning non-negativity constrained variation for image denoising and deblurring”. Numerical Mathematics Theory Methods & Applications, 10(4), 852-871.（SCI）
14. “Performance comparison of two efficient genomic selection methods (gsbay & MixP) applied in aquacultural organisms”. Journal of Ocean University of China , 2017 , 16 (1) :137-144 （SCI）
15．貝類全基因組選擇遺傳育種分析評估系統， 中國海洋大學，2017SR093088
16．基於深度學習神經網路赤潮災害預測軟體，中國海洋大學， 2016SR175844
