DNA序列分类：BP算法与神经网络模型

"CUMCU优秀论文20000A题是关于DNA分类模型的研究，使用了数学建模的方法，特别是通过人工神经网络（ANN）实现。该研究发表在2001年1月的《数学的实践与认识》期刊上，由杨健、王驰和杨勇完成，指导老师为王鸣，来自北京大学。" 在本论文中，作者们针对DNA序列的分类问题提出了一个创新性的模型。他们将DNA序列中的碱基组合视作类似“文章”的关键词，并采用逐步优选法来选择关键字符串，进一步运用分层分类策略进行DNA序列的组织。这个模型的优势在于能够充分利用数据特性，通过统计学和最优化技术提炼出能够代表两类DNA特征的关键信息。 具体实施过程中，研究者首先利用广度优先搜索（BFS）方法从已知样本序列中找出所有重复出现的字符串。接着，计算这些字符串的标准化频率和分散度，这是评估它们在整个数据集中重要性的指标。随后，通过结合样本数据和最小二乘法（Least Squares Method）来确定两类DNA序列的优先级函数。这个函数能够量化不同字符串在分类中的重要性，并且在后续步骤中，通过优化参数以提高分类的准确性和精确度。 在训练阶段，研究者使用MATLAB软件包中的神经网络工具箱（Neural Network Toolbox）实现了基于反向传播（BP）算法的神经网络。他们构建了两个三层神经网络，将提取的DNA字符向量作为输入样本进行训练。训练完成后，对20个未分类的人工序列样本和182个自然序列样本中的字符进行提取，形成新的输入向量，用于这两个神经网络进行聚类分析。 实验结果表明，该论文提出的分类方法在DNA序列分类中具有相当高的准确性和精确度，证明了人工神经网络在DNA序列聚类中的有效性和可行性。这种方法不仅在理论上提供了良好的特征提取手段，而且在实际应用中也表现出清晰的思路和简洁的表述，为DNA序列分析提供了一种实用的工具。