神经网络算法(含感知器与BP).ppt

由前20个已知类别的DNA序列片段可以构造出目标向量： t = [1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0]; 1、应用感知器对DNA序列进行分类： （DNAper1.m） net=newp([0 1;0 1;0 1;0 1;0 1],1); net.adaptParam.passes=110 net=adapt(net,p,t); Y=sim(net,p) % 回代检验 a=sim(net,P) % 对待判类别的序列进行分类 A 类 B 类 a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 回代检验结果是100%的准确。 待判序列的分类结果： A类：22，23，27，29，34，35，37； B类：21，24，25，26，28，30，31，32， 33，36，38，39，40； 输出结果： a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 并附图形： 获得数值分类结果： （DNAper.m） net=newp([0 1;0 1;0 1;0 1;0 1],1); net.adaptParam.passes=110 net=adapt(net,p,t); Y=sim(net,p) % 回代检验 a=sim(net,P) % 对待判类别的序列进行分类 输出结果： 误差曲线图 2、应用BP网络对DNA序列进行分类： （DNAbp.m） net=newff([0 20;0 16;0 12;0 12;0 13],[3 1],{logsig purelin},traingdx); net.trainparam.show=100; %两次显示之间的训练步数 net.trainparam.lr=0.5; net.trainparam.mc=0.8; net.trainparam.epochos=20000; net.trainparam.goal=0.01; %训练目标 [net,tr]=train(net,p,t); Y=sim(net,p) a=sim(net,P) Y = 1.0436 1.0223 0.9879 0.6593 1.0348 1.0225 1.0364 1.0111 0.8835 0.9824 0.0079 0.0079 0.0077 0.0088 0.0077 0.0813 0.2153 0.0080 0.0080 0.0078 a = 0.4215 0.7467 0.9664 0.0766 0.4305 0.0158 0.9113 0.1174 0.8094 0.1735 0.4612 0.5622 0.4323 0.8334 0.8310 0.4070 0.5784 0.0115 0.1521 0.0082 回代检验结果也是100%的准确。 待判序列的分类结果：同上 输出结果： 误差曲线图 思考：1、前面所述的特征提取为：ttt, tta, ggc, cgg, gga, 是否合理？ 2、请给出另外的特征重新计算！ 3、分析改进后的误差。 主讲：何仁斌 实际应用问题 1、蠓虫的分类问题 2、DNA序列分类问题 3、癌症诊断问题 …… 神经网络算法简介 感知器 感知器(perceptron)是由美国科学家F.Rosenblatt于1957年提出的，其目的是为了模拟人脑的感知和学习能力。感知器是最早提出的一种神经网络模型。它特别适合于简单的模式分类问题，如线性可分的形式。 神经网络算法简介 以两个输入的单层感知器神经元为例 ∑ w(1,1) w(1,2) p(1) p(2) n a b w ——权重; b ——阈值 如果设 w(1,1)=-1,w(1,2)=2,b=1 L