BP神经网络分类应用

　　DNA序列分类  作为研究DNA序列结构的尝试，提出以下对序列集合进行分类的问题：有20个已知类别的人工制造序列，其中序列标号1-10为A类，11-20为B类。请从中提取特征，构造分类方法，并用这些已知类别的序列，衡量你的方法是否足够好。然后用你认为满意的方法，对另外20个未标明类别的人工序列（标号21-40）进行分类，判断哪些属于A类，哪些属于B类，哪些既不属于A类又不属于B类。

　　（一）问题分析

　　　采用DNA序列中4个字符的含量百分比对DNA序列进行分类。

　　（二）模型建立

　　　　（1）BP神经网络结构的确定

　　　　　　我们选取三层结构的BP神经网络模型。

　　　　　　输入层：将所提取的特征作为输入，即DNA序列中a,t,c,g的含量百分比作为BP神经网络的输入。显然，输入层有4个节点。

　　　　　　输出层：BP神经网络的输出为DNA序列的分类结果，将A类DNA序列的输出定义为[1,0],B类DNA序列的输出定义为[0,1],因此，输出层有2个节点。

　　　　　　隐含层：为确定隐含层节点个数l，我们参考下列公式：

　　　　　　　　　　l=sqrt(n+m)+a;

　　　　　　其中n为输入层节点数，m为输出层节点个数，a为1-10之间的常数。我们这里确定隐含层个数为11。

　　　　　　综上所述，建立了一个4-11-2结构的三层BP神经网络，并选择双型s型函数(tansig)作为隐含层的传递函数，线性函数(purelin)作为输出层的传递函数，变学习动量梯度下降算法(traingdx)作为训练函数。

　　　　（2）训练数据及测试数据的确定

　　　　　　训练数据用来训练BP神经网络，测试数据用来测试网络的分类能力。但由于已知类别的DNA序列只有20条（标号1-20），比较少，因此，我们将这20条数据即作为训练数据，又作为测试数据。最后，用训练好的BP神经网络对标号为21-40的DNA序列进行分类。

　　　　（3）BP神经网络的训练

　　（三）模型求解

　　　　利用MATLAB编程求解，在分类时某些DNA序列有时属于A类，有时属于B类。为此将程序运行100次（书上是1000次，电脑慢，就跑100次，效果也很好），统计分类结果：　　　　　

　　　　DNA序号　　21     22     23     24    25     26     27     28     29    30     31     32     33     34     35     36     37     38     39     40
　　　　A类　　　　 12     55     100   17    92      20    99      1       99    28     27     50     28    99      99     47    95      9      24      12
　　　　B类　　　　 88     45     0       83    8        80    1        99     1      72     73     50     72    1        1       53     5       91    76      88

从上表可以看出，DNA序列被分到A类或B类的次数明显的多，就可认为该DNA序列属于那一类。但是某些DNA序列被分到A、B类的次数非常相近（如标号22），因此，这些DNA序列即不属于A类又不属于B类，即无法用BP神经网络分类，需要作进一步分析。根据以上分析，我们得到最终的分类结果：
　　　　A类：23、25、27、29、34、35、37；
　　　　B类：21、24、26、28、30、31、33、38、39、40；
　　　　即不属于A类又不属于B类：22、32、36。

MATLAB程序：

 clc
 clear all
 %%=========================统计字符个数以及含量====================================
 fid=fopen('exp12_4_3.txt','r')  %读取数据文件,返回文件标识符，文件打开成功，fid为正数，否则为-1。
 i=1;                                 %计数
 while (~feof(fid))                   %reof测试文件是否到最后一行，到最后一行返回1，否则为0
     data=fgetl(fid);                 %fgetl表示读取文件的一行，不包括换行符号
     a=length(find(data=='a'));       %统计字符a的个数
     t=length(find(data=='t'));       %统计字符t的个数
     c=length(find(data=='c'));       %统计字符c的个数
     g=length(find(data=='g'));       %统计字符g的个数
     e=length(find(data~='a'&data~='c'&data~='t'&data~='g')); %统计其它字符的个数
     DNA_num(i,:)=[a t c g e  a+c+t+g+e];     %将字符个数放到DNA_num矩阵中
     DNA_HanL(i,:)=[a/(a+c+t+g) t/(a+c+t+g) c/(a+c+t+g) g/(a+c+t+g)]; %计算a,t,c,g字符的含量百分比
     i=i+1;                           %文件行数加1
 end
 fclose(fid);                         %关闭文件
  %%=====================BP神经网络训练==========================================
 [n,m]=size(DNA_HanL);
 for i=1:20                           %定义已知类DNA序列的输出
     if i<=10
         output(i,:)=[1,0];          %标号1-10为A类，输出为[1,0]
     else
         output(i,:)=[0,1];          %标号11-20为A类，输出为[0,1]
     end
 end
 train_output=output';               %神经网络训练的输出
 train_input=DNA_HanL(1:20,:)';      %神经网络训练的输入
 for LL=1:10                          %程序运行1000次时，设置为1：1000
in_num=4;                            %输入层节点个数
mid_num=11;                          %隐含层节点个数
out_num=2;                           %输出层节点个数
TF1='tansig';TF2='purelin';          %TF1为隐含层传递函数，TF2为输出层传递函数
net=newff(minmax(train_input),[mid_num,out_num],{TF1,TF2}); %创建BP神经网络
net.trainFcn='traingdx';             %训练函数，变学习动量梯度下降算法
net.trainParam.epochs=5000;          %以下为训练参数设置
net.trainParam.lr=0.1;                  %学习速率
net.trainParam.mc=0.75;             %附加动量因子
net.trainParam.goal=0.001;            % 训练目标最小误差
net=train(net,train_input,train_output);  %网络训练
an=sim(net,train_input);             %网络测试，此处测试数据即训练数据
for i=1:20                           %测试分类结果统计
    output_test_fore(i)=find(an(:,i)==max(an(:,i)));  %1表示分到A类，2表示分到B类
    output1(i)=find(train_output(:,i)==max(train_output(:,i)));
end
error=output_test_fore-output1;        %BP网络分类误差
sim_input=DNA_HanL(21:40,:)';           %待分类数据
anan=sim(net,sim_input);              %网络仿真，返回预测结果
for i=1:20                            %预测分类结果统计
    output_sim_fore(i)=find(anan(:,i)==max(anan(:,i))); %1表示分到A类，2表示分到B类
end
out(LL,:)=output_sim_fore;          %预测分类结果
 end

 [nn,mm]=size(out);
for ii=1:mm
    a=length(find(out(:,ii)==1));
    b=length(find(out(:,ii)==2));
    ff(ii,:)=[ii+20 a b];
end
  ff=ff'

　　

　　

Txt数据：

1.aggcacggaaaaacgggaataacggaggaggacttggcacggcattacacggaggacgaggtaaaggaggcttgtctacggccggaagtgaagggggatatgaccgcttgg
2.cggaggacaaacgggatggcggtattggaggtggcggactgttcggggaattattcggtttaaacgggacaaggaaggcggctggaacaaccggacggtggcagcaaagga
3.gggacggatacggattctggccacggacggaaaggaggacacggcggacatacacggcggcaacggacggaacggaggaaggagggcggcaatcggtacggaggcggcgga
4.atggataacggaaacaaaccagacaaacttcggtagaaatacagaagcttagatgcatatgttttttaaataaaatttgtattattatggtatcataaaaaaaggttgcga
5.cggctggcggacaacggactggcggattccaaaaacggaggaggcggacggaggctacaccaccgtttcggcggaaaggcggagggctggcaggaggctcattacggggag
6.atggaaaattttcggaaaggcggcaggcaggaggcaaaggcggaaaggaaggaaacggcggatatttcggaagtggatattaggagggcggaataaaggaacggcggcaca
7.atgggattattgaatggcggaggaagatccggaataaaatatggcggaaagaacttgttttcggaaatggaaaaaggactaggaatcggcggcaggaaggatatggaggcg
8.atggccgatcggcttaggctggaaggaacaaataggcggaattaaggaaggcgttctcgcttttcgacaaggaggcggaccataggaggcggattaggaacggttatgagg
9.atggcggaaaaaggaaatgtttggcatcggcgggctccggcaactggaggttcggccatggaggcgaaaatcgtgggcggcggcagcgctggccggagtttgaggagcgcg
10.tggccgcggaggggcccgtcgggcgcggatttctacaagggcttcctgttaaggaggtggcatccaggcgtcgcacgctcggcgcggcaggaggcacgcgggaaaaaacg
11.gttagatttaacgttttttatggaatttatggaattataaatttaaaaatttatattttttaggtaagtaatccaacgtttttattactttttaaaattaaatatttatt
12.gtttaattactttatcatttaatttaggttttaattttaaatttaatttaggtaagatgaatttggttttttttaaggtagttatttaattatcgttaaggaaagttaaa
13.gtattacaggcagaccttatttaggttattattattatttggattttttttttttttttttttaagttaaccgaattattttctttaaagacgttacttaatgtcaatgc
14.gttagtcttttttagattaaattattagattatgcagtttttttacataagaaaatttttttttcggagttcatattctaatctgtctttattaaatcttagagatatta
15.gtattatatttttttatttttattattttagaatataatttgaggtatgtgtttaaaaaaaatttttttttttttttttttttttttttttttaaaatttataaatttaa
16.gttatttttaaatttaattttaattttaaaatacaaaatttttactttctaaaattggtctctggatcgataatgtaaacttattgaatctatagaattacattattgat
17.gtatgtctatttcacggaagaatgcaccactatatgatttgaaattatctatggctaaaaaccctcagtaaaatcaatccctaaacccttaaaaaacggcggcctatccc
18.gttaattatttattccttacgggcaattaattatttattacggttttatttacaattttttttttttgtcctatagagaaattacttacaaaacgttattttacatactt
19.gttacattatttattattatccgttatcgataattttttacctcttttttcgctgagtttttattcttactttttttcttctttatataggatctcatttaatatcttaa
20.gtatttaactctctttactttttttttcactctctacattttcatcttctaaaactgtttgatttaaacttttgtttctttaaggattttttttacttatcctctgttat
21.tttagctcagtccagctagctagtttacaatttcgacaccagtttcgcaccatcttaaatttcgatccgtaccgtaatttagcttagatttggatttaaaggatttagattga
22.tttagtacagtagctcagtccaagaacgatgtttaccgtaacgtacgtaccgtacgctaccgttaccggattccggaaagccgattaaggaccgatcgaaaggg
23.cgggcggatttaggccgacggggacccgggattcgggacccgaggaaattcccggattaaggtttagcttcccgggatttagggcccggatggctgggaccc
24.tttagctagctactttagctatttttagtagctagccagcctttaaggctagctttagctagcattgttctttattgggacccaagttcgacttttacgatttagttttgaccgt
25.gaccaaaggtgggctttagggacccgatgctttagtcgcagctggaccagttccccagggtattaggcaaaagctgacgggcaattgcaatttaggcttaggcca
26.gatttactttagcatttttagctgacgttagcaagcattagctttagccaatttcgcatttgccagtttcgcagctcagttttaacgcgggatctttagcttcaagctttttac
27.ggattcggatttacccggggattggcggaacgggacctttaggtcgggacccattaggagtaaatgccaaaggacgctggtttagccagtccgttaaggcttag
28.tccttagatttcagttactatatttgacttacagtctttgagatttcccttacgattttgacttaaaatttagacgttagggcttatcagttatggattaatttagcttattttcga
29.ggccaattccggtaggaaggtgatggcccgggggttcccgggaggatttaggctgacgggccggccatttcggtttagggagggccgggacgcgttagggc
30.cgctaagcagctcaagctcagtcagtcacgtttgccaagtcagtaatttgccaaagttaaccgttagctgacgctgaacgctaaacagtattagctgatgactcgta
31.ttaaggacttaggctttagcagttactttagtttagttccaagctacgtttacgggaccagatgctagctagcaatttattatccgtattaggcttaccgtaggtttagcgt
32.gctaccgggcagtctttaacgtagctaccgtttagtttgggcccagccttgcggtgtttcggattaaattcgttgtcagtcgctcttgggtttagtcattcccaaaagg
33.cagttagctgaatcgtttagccatttgacgtaaacatgattttacgtacgtaaattttagccctgacgtttagctaggaatttatgctgacgtagcgatcgactttagcac
34.cggttagggcaaaggttggatttcgacccagggggaaagcccgggacccgaacccagggctttagcgtaggctgacgctaggcttaggttggaacccggaaa
35.gcggaagggcgtaggtttgggatgcttagccgtaggctagctttcgacacgatcgattcgcaccacaggataaaagttaagggaccggtaagtcgcggtagcc
36.ctagctacgaacgctttaggcgcccccgggagtagtcgttaccgttagtatagcagtcgcagtcgcaattcgcaaaagtccccagctttagccccagagtcgacg
37.gggatgctgacgctggttagctttaggcttagcgtagctttagggccccagtctgcaggaaatgcccaaaggaggcccaccgggtagatgccasagtgcaccgt
38.aacttttagggcatttccagttttacgggttattttcccagttaaactttgcaccattttacgtgttacgatttacgtataatttgaccttattttggacactttagtttgggttac
39.ttagggccaagtcccgaggcaaggaattctgatccaagtccaatcacgtacagtccaagtcaccgtttgcagctaccgtttaccgtacgttgcaagtcaaatccat
40.ccattagggtttatttacctgtttattttttcccgagaccttaggtttaccgtactttttaacggtttacctttgaaatttttggactagcttaccctggatttaacggccagttt