神經網絡算法含感知器和b-資料下載頁
2025-01-04 16:17本頁面
【正文】 1 1 2]。 由前 20個已知類別的 DNA序列片段可以構造出目標向量： t = [1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0]。 應用感知器對 DNA序列進行分類： （ ） =newp([0 1。0 1。0 1。0 1。0 1],1)。 =110 =adapt(,p,t)。 Y=sim(,p) % 回代檢驗 a=sim(,P) % 對待判類別的序列進行分類 A 類 B 類 a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 回代檢驗結果是 100%的準確。 待判序列的分類結果： A類： 22， 23， 27， 29， 34， 35， 37； B類： 21， 24， 25， 26， 28， 30， 31， 32， 33， 36， 38， 39， 40； 輸出結果： a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 并附圖形： 獲得數值分類結果： （ ） =newp([0 1。0 1。0 1。0 1。0 1],1)。 =110 =adapt(,p,t)。 Y=sim(,p) % 回代檢驗 a=sim(,P) % 對待判類別的序列進行分類 輸出結果： 0 2 4 6 8 1000 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 911 0 E p o c h sTrainingBlue GoalBlackP e r f o r m a n c e i s 0 , G o a l i s 0 . 0 1誤差曲線圖 應用 BP網絡對 DNA序列進行分類： （ ） =newff([0 20。0 16。0 12。0 12。0 13],[3 1],{39。logsig39。 39。purelin39。},39。traingdx39。)。 =100。 %兩次顯示之間的訓練步數 =。 =。 =20220。 =。 %訓練目標 [,tr]=train(,p,t)。 Y=sim(,p) a=sim(,P) Y = a = 回代檢驗結果也是 100%的準確。 待判序列的分類結果：同上 輸出結果： 誤差曲線圖 0 10 20 30 40 50 60 701031021011001017 5 E p o c h sTrainingBlue GoalBlackP e r f o r m a n c e i s 0 . 0 0 9 4 5 7 6 8 , G o a l i s 0 . 0 1思考： 前面所述的特征提取為： ttt, tta, ggc, cgg, gga, 是否合理？ 請給出另外的特征重新計算！ 分析改進后的誤差。
教學課件相關推薦
鄂ICP備17016276號-1