基于HMM和ANN的基因識(shí)別方法.pdf

1、生物信息學(xué)是一門新興交叉學(xué)科，它利用現(xiàn)代計(jì)算技術(shù)對(duì)分子生物學(xué)實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行維護(hù)與管理，并結(jié)合多學(xué)科的知識(shí)對(duì)這些數(shù)據(jù)進(jìn)行分析處理，以對(duì)生命現(xiàn)象進(jìn)行合理的解釋與預(yù)測(cè)。隱馬模型是生物信息學(xué)中常用的數(shù)學(xué)模型，它最早用于語音識(shí)別領(lǐng)域，在生物信息學(xué)中主要用于序列比對(duì)、序列和片段的數(shù)據(jù)挖掘和分類、結(jié)構(gòu)分析和模式識(shí)別。人工神經(jīng)網(wǎng)絡(luò)(ANN)作為模擬人腦思維機(jī)制的工程模型，它與HMM恰好相反，其分類決策能力和對(duì)不確定信息的描述能力已得到舉世公認(rèn)，但它對(duì)

2、動(dòng)態(tài)時(shí)間信號(hào)的描述能力尚不盡如人意，通常ANN分類器只能解決靜態(tài)模式分類問題且并不涉及序列處理。 隱馬爾可夫模型是一種基于時(shí)序累積概率的動(dòng)態(tài)信息處理方法。在訓(xùn)練和識(shí)別中，一個(gè)HMM模型參數(shù)由同類模式的訓(xùn)練樣本集得到，每一類模式對(duì)應(yīng)一個(gè)HMM模型，當(dāng)需要學(xué)習(xí)某一新模式時(shí)，只需修正與該模式相對(duì)應(yīng)類別的HMM，無需改變其他類別的HMM，具有較好的學(xué)習(xí)和再學(xué)習(xí)能力。但HMM的缺點(diǎn)在于僅考慮了特征的類內(nèi)變化，而忽略了特征的類間重疊性，僅根

3、據(jù)各HMM累積概率的最大值做類別判定，從而導(dǎo)致難于識(shí)別一些易混淆的基因。把刪與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來，構(gòu)造了新的識(shí)別模型HMM/ANN，它不僅克服了HMM本身難以解決的模式類別間的相互重疊問題，而且彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在獲取時(shí)序信息方面的不足。 本文首先簡(jiǎn)要介紹了隱馬模型以及人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理，其次討論了隱馬爾可夫模型HMM和人工神經(jīng)網(wǎng)絡(luò)模型ANN在基因識(shí)別中的具體應(yīng)用，介紹了它們各自的模型訓(xùn)練與識(shí)別算法，最后針對(duì)HMM具有很強(qiáng)的對(duì)