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
total=zeros(3,20);
for i=1:20
total(1,i)=i+20;
end
for LL=1:100 %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;
net.trainParam.mc=0.75;
net.trainParam.goal=0.001;
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
for i=1:20
if output_sim_fore(i)==1
total(2,i)=total(2,i)+1;
else
total(3,i)=total(3,i)+1;
end
end
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