[发明专利]基于DNA支点介导链置换反应技术的非线性神经网络

权利要求书

1.基于DNA支点介导链置换反应技术的非线性神经网络，其特征在于，描述如下形式：

其中n＝1,2,…,L；j＝1,2,…,M；X_i、Y_j、W_in和V_nj为信号参与物，X_i和Y_j的浓度表征输入数据，W_in和V_nj的浓度代表输入层和隐藏层部分的权值；k_s,s＝1,…,14为反应速率；非线性神经网络由输入层、隐藏层和输出层三部分组成，其中反应(1)、(2)、(9)和(11)构成了输入层，反应(3)、(4)、(5)、(6)、(10)和(12)构成了隐藏层，反应(7)、(8)和(13)构成了输出层。

2.如权利要求1所述的基于DNA支点介导链置换反应技术的非线性神经网络，其特征在于，所述的反应方程(1)-(13)由不同的反应模块构成，其中方程(1)和(5)属于催化反应模块1；方程(1)和(5)属于催化反应模块1；方程(2)、(4)、(6)和(8)属于降解反应模块；方程(9)和(10)属于调节反应模块1；方程(11)-(13)属于催化反应模块2；上述反应模块可由如下的DNA链置换反应实现：

(I)催化反应模块1：

催化反应模块1的理想化反应方程为：它可由如下DNA链置换反应得到：

其中I_i被催化，X_i为信号DNA链，W_i为权值报告链A_i、Pa_i、Pc_i和Pd_i为辅助DNA链，且辅助DNA链的初始浓度为C_m，并满足C_m≥[X_i]₀,[W_i]₀,[I_i]₀，[*]₀表示*的初始浓度；反应速率q_i和k_i满足q_i≤q_m，k_i＝q_i，q_m表示最大反应速率；

(II)催化反应模块2：

催化反应模块2的理想化反应方程为：它可由如下DNA链置换反应得到：

其中I_i被催化，X_i为信号DNA链，Ga_i,E_i,F_i,Gd_i,Ge_i,J_i及K_i为辅助DNA链，且辅助DNA链的初始浓度为C_m，并满足C_m≥[Y_i]₀,[I_i]₀；反应速率q_i满足q_i≤q_m，k_i＝q_i；

(III)降解反应模块：

降解反应模块2的理想化反应方程为：它可由如下DNA链置换反应得到：

其中I_i被降解，Fa_i,C_i,Fc_i及Fd_i为辅助DNA链，且辅助DNA链的初始浓度为C_m，并满足C_m≥[Y_i]₀,[I_i]₀；反应速率q_i满足q_i≤q_m，k_i＝q_i；

(IV)调节反应模块1：

调节反应模块1的理想化反应方程为：它可由如下DNA链置换反应得到：

其中W_i的浓度被调节,Ea_i及Eb_i为信号DNA链，且它们之间的浓度满足[W_i]₀＜＜[Eb_i]₀和[Ea_i]₀＜＜[Eb_i]₀；反应速率满足ka_i＝qa_i和kb_i＝qb_i；

(V)调节反应模块2：

调节反应模块2的理想化反应方程为：它可由如下DNA链置换反应得到：

其中Y_i的浓度被调节,La_i及Lb_i为信号DNA链，且它们之间的浓度满足[Y_i]₀,[La_i]₀＜＜[Lb_i]₀；反应速率满足kx_i＝qx_i和ky_i＝qy_i。

3.如权利要求1或2所述的基于DNA支点介导链置换反应技术的非线性神经网络，其特征在于，所述的非线性神经网络的训练方式如下：

(1)训练数据的归一化处理

神经网络的训练由多轮训练构成，一轮训练由K组训练数据组成，打乱训练数据组，得到另一轮训练数据；第一轮训练数据由X_i＝[x_i(1,1),x_i(2,1),…,x_i(K,1)]表示，则可按如下方法进行数据归一化：

其中

x_i(k,l)表示第l轮训练的第k组数据的第i个数据，其中k＝1,2,…,K，l＝1,2,…,Λ，ρ为正调节参数，及为神经网络的输入信号DNA链的初始浓度设定；

(2)神经网络的训练评估

在一轮训练中，定义相对误差e_l(k)如下：

其中

W_in及V_n1表示经过本轮训练以后，得到的输入层和隐藏层的权值；

为评估本轮训练结果，定义平均相对误差如下：

进过多轮训练以后，当平均相对误差达到目标值以后，则停止训练。