基于HMM和ANN的基因識別方法.pdf

1、生物信息學是一門新興交叉學科，它利用現(xiàn)代計算技術對分子生物學實驗所得數(shù)據(jù)進行維護與管理，并結合多學科的知識對這些數(shù)據(jù)進行分析處理，以對生命現(xiàn)象進行合理的解釋與預測。隱馬模型是生物信息學中常用的數(shù)學模型，它最早用于語音識別領域，在生物信息學中主要用于序列比對、序列和片段的數(shù)據(jù)挖掘和分類、結構分析和模式識別。人工神經(jīng)網(wǎng)絡(ANN)作為模擬人腦思維機制的工程模型，它與HMM恰好相反，其分類決策能力和對不確定信息的描述能力已得到舉世公認，但它對

2、動態(tài)時間信號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序累積概率的動態(tài)信息處理方法。在訓練和識別中，一個HMM模型參數(shù)由同類模式的訓練樣本集得到，每一類模式對應一個HMM模型，當需要學習某一新模式時，只需修正與該模式相對應類別的HMM，無需改變其他類別的HMM，具有較好的學習和再學習能力。但HMM的缺點在于僅考慮了特征的類內變化，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，從而導致難于識別一些易混淆的基因。把刪與人工神經(jīng)網(wǎng)絡結合起來，構造了新的識別模型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，而且彌補了神經(jīng)網(wǎng)絡在獲取時序信息方面的不足。 本文首先簡要介紹了隱馬模型以及人工神經(jīng)網(wǎng)絡的數(shù)學原理，其次討論了隱馬爾可夫模型HMM和人工神經(jīng)網(wǎng)絡模型ANN在基因識別中的具體應用，介紹了它們各自的模型訓練與識別算法，最后針對HMM具有很強的對