简析神经网络基于BP神经网络DNA序列分类研究

论文导读：
【摘要】采用MATLAB软件进行实验，构造了两个神经网络，将提取的DNA特征向量集作为样本分别输入这两个网络进行学习。通过训练后，将20个未分类的人工序列样本和182个自然序列样本提取特征向量并输入两个网络进行分类。结果表明：基于神经网络的分类方法能够以很高的正确率和精度对DNA进行分类。
【关键词】神经网络；DNA；分类训练
引言
随着科技的不断发展，人们得到的DNA序列数据也在迅速增加，DNA序列分类的研究在探索生物功能进化、发展新药物等方面都具有十分重要的意义。目前，人们用的最多的DNA序列分类方法是一种统计方法。如判别函数法、距离分类法等。但它有不足之处，它使用的分类标准具有较强的主观性且不符合标准类别的DNA序列本身。所以统计数据将不可避免地产生大量的错误。
神经网络广泛应用于模式识别与DNA序列分类的研究领域。神经网络的主要特点是：高度的并行性、高度的非线性全局作用、良好的容错能力和联想记忆功能、以及很强的自适应自学习功能。DNA序列是难以用数学方程来表达的非线性系统，所以传统的分类方法是无效的。本文采用BP神经网络对DNA序列进行分类，达到了预期的效果。

1.基于BP神经网络的DNA序列分类的研究

目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP网络和它的变化形式。BP网络主要用于：函数逼近、模式识别、分类、数据压缩。BP算法的学习过程由信号的正向和反向传播两个过程。误差反传是将输出误差以某种形式通过隐含层向输入层源于：论文发表网www.7ctime.com
逐层反传的过程。误差反传将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。

2.实验结果及分析

本文将人工神经网络方法用于DNA分类，首先应用概率统计的方法对20个已知类别的人工DNA序列进行特征提取，即目标向量t，其中序列标号1—10为A类，11-20为B类。形成DNA序列的特征向量，即已知类别的输入向量p，并将之作为样本输入感知器以及BP神经网络进行学习。通过训练后，将20个未分类的人工序列样本，即待判类别的输入向量P（标号21—40）和182个自然序列样本提取特征向量并输入两个网络进行分类。
参考文献
周开利，邓春晖.MATLAB基础及其应用教程[M].北京：北京大学出版社，2011：247-250.
胡尚举，田国法，申江波.边缘检测算子的比较分析[J].大众科技，2008，10（9）：48-49.
[3]周心明，兰赛，徐燕.图像处理中几种边缘检测算法的比较[J].现代电力，2000，17（3）：66-69.