基于BP神经网络的基因模型.doc

PAGE7 / NUMPAGES25 题目：基因模型目录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc270001063 摘要： PAGEREF _Toc270001063 \h 3 HYPERLINK \l _Toc270001064 关键词： PAGEREF _Toc270001064 \h 4 HYPERLINK \l _Toc270001065 问题重述： PAGEREF _Toc270001065 \h 4 HYPERLINK \l _Toc270001066 问题分析： PAGEREF _Toc270001066 \h 5 HYPERLINK \l _Toc270001067 符号说明： PAGEREF _Toc270001067 \h 6 HYPERLINK \l _Toc270001068 问题一 PAGEREF _Toc270001068 \h 7 HYPERLINK \l _Toc270001069 神经网络模型 PAGEREF _Toc270001069 \h 7 HYPERLINK \l _Toc270001070 BP神经网络的训练策略及结果 PAGEREF _Toc270001070 \h 9 HYPERLINK \l _Toc270001071 确定BP网络的结构 PAGEREF _Toc270001071 \h 10 HYPERLINK \l _Toc270001072 1）隐层数的确定： PAGEREF _Toc270001072 \h 10 HYPERLINK \l _Toc270001073 2） BP网络常用传递函数: PAGEREF _Toc270001073 \h 10 HYPERLINK \l _Toc270001074 3） 每层节点数的确定： PAGEREF _Toc270001074 \h 11 HYPERLINK \l _Toc270001075 4）误差的选取 PAGEREF _Toc270001075 \h 11 HYPERLINK \l _Toc270001076 神经网络模型训练过程 PAGEREF _Toc270001076 \h 12 HYPERLINK \l _Toc270001077 训练结果 PAGEREF _Toc270001077 \h 15 HYPERLINK \l _Toc270001078 问题二 PAGEREF _Toc270001078 \h 16 HYPERLINK \l _Toc270001079 模型的评价： PAGEREF _Toc270001079 \h 19 HYPERLINK \l _Toc270001080 模型的推广： PAGEREF _Toc270001080 \h 19摘要：问题一是一个判别问题，我们首先采用神经网络模型，建立具有输入层，隐蔽层，输出层三层的BP神经网络模型，根据经验公式和不断地实验得到的数目，得出输入层与隐蔽层之间有26个神经元，输出层有两个神经元。我们有两个目标函数：一个是正常人基因指标，一个是癌症患者基因指标，这样就建成了简单的三层自动反馈的神经网络模型。我们利用它会不断学习，基因之间的连接强度不断地加强，并且不断的往前反馈，从而使网络模型自动的不断调整而使之更智能化。前二十组是癌症患者的基因值，中间二十组是健康者的基因值，把四十组基因值输入神经网络模型的输入层，通过它自身自动学习和自动反馈的特点，建立一个具有识别正常与癌症的基因值的模型，然后通过把待测的后二十组数据输入，观察输出层的输出值，调整学习的步数，分别得到收敛程度不同的结果。问题二是一个归类的问题。我们采用模糊聚类分析的方法，先用切比雪夫方法求出这些原始数据的相关系数，构成模糊相关矩阵，再使之满足模糊相关矩阵的相关性，自反性，对称性，使之构成模糊等价矩阵，然后我们尽可能采用精确地截距值进行分类，从而画出模糊动态聚类图。关键词：神经网络模型 模糊聚类分析 模糊动态聚类图问题重述：文件给出了一个114个基因, 60个人的基因表达水平的样本. 其中前20个是癌症病人的基因表达水平的样本(其中还可能有子类), 其后的是20个正常人的基因表达信息样本, 其余的20个是待检测的样本(未知它们是否正常).?? (1).试设法找出描述癌症与正常样本在基因表达水平上的区别, 建立数学模型,及识别方法,去预测待检测样本是癌症还是正常样本.这是一个判别的问题。已知两个目标函数的基因值，让我们根据已知的数据判别待测样本的类型，根据神经网络能够在已知数据的不断地学习和反馈，自己就可以建立一个智能的神经网络，这样我们就可以输入待测样本的数据进行自动判别了。?