1.基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，包括训练部分、算法部分、测试部分；

(1)其中训练部分表达式如下：

方程(1a)‑(2d)属于催化反应模块1；(3a)和(3b)属于催化反应模块2；(3c)和(3d)属于催化反应模块1；方程(4a)‑(5f)属于湮灭反应模块；

其中 i＝1,2,…,N，N为输入项的个数，[*]t表示物质*在t时刻的浓+ ‑

度，则[Xi]t表示i个输入值； 表示第i个权值；设定[H]t＝[H]t≡1(nM)，+ ‑物质I和I浓度随时间变化的微分方程为：(6)式可以简化为：

则

+ ‑

设定[H]t＝[H]t≡1(nM)，则当DNA杂交反应网络达到动态平衡时，有：+ ‑

其中[Y]t＝[Y]t‑[Y]t表示系统的输出值；

(2)算法部分表达式如下：

其中，方程(7)‑(9)由催化反应模块1构成；

+ ‑

物质Wi和Wi的浓度随时间变化的微分方程为：+ ‑

其中[D]t＝[D]t‑[D]t表示期望值。

由公式(10)‑(12)可得：

(3)测试部分表达式如下：

其中，方程(13a)‑(15d)属于催化反应模块1；(16a)和(16b)属于催化反应模块2；(16c)和(16d)属于催化反应模块1；方程(17a)‑(17f)属于湮灭反应模块。

2.根据权利要求1所述的基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，所述催化反应模块1反应方程为： 它可由如下DNA链置换反应得到：

其中I+被催化，Xi为输入信号DNA分子，[Wi+]t为权值报告链， 和 为辅助DNA链，且辅助DNA链的初始浓度为Cm，并满足 反应速率qi和ki满足qi≤qm，ki＝qi，qm表示最大反应速率；

所述催化反应模块2反应方程为： 可由如下DNA链置换反应得到：‑ + + + + + + +

其中I被催化，Am 、An 、Ah及H 为辅助DNA链，且辅助DNA链Am、An和Ah的初始浓度分+ + + + ‑ +别设定[Am]0＝[An]0＝[Ah]0＝Cm，并满足Cn＞＞[Y]0，[I]0；H的初始浓度为1nM；反应速率qi满足qi≤qm，ki＝qi。

所述湮灭反应模块的反应方程为： 废弃链，它可由如下DNA链置换反应得到：

其中 和 被湮灭， 及 为辅助DNA链，且辅助DNA链的初始浓度为Cm，并满足 反应速率qi满足qi≤qm，ki＝qi。

3.根据权利要求1所述的基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，所述训练方式包括以下步骤：S1:训练数据的归一化处理

机器学习的训练由多轮训练构成，一轮训练由K组训练数据组成，每组数据又由N个数据构成，即该机器学习有N个输入，则i＝1,2,L,N；

打乱训练数据组，得到另一轮训练数据，按如下进行数据归一化处理：其中

xi(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 为机器学习的输入信号DNA链的初始浓度设定，满足和S2：机器学习的训练评估

在一轮训练中，定义相对误差el(k)如下：其中

表示经过本轮训练以后得到的权值；

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。

S3：机器学习的测试评估

机器学习的测试由多轮测试构成，一轮测试由P组训练数据组成，打乱测试数据组，得到另一轮测试数据，按如下方法进行数据归一化处理：其中βi(p,g)表示第g轮训练的第p组数据的第i个数据，p＝1,2,…,P，g＝1,2,…,G；θi＝max(Φi)‑min(Φi)，θ＝max([θ1,θ2,…θN])，在一轮测试中，定义相对误差 如下：其中

表示经过本轮训练以后得到的权值；

评估本轮训练结果，定义测试阶段的平均相对误差如下：

4.根据权利要求1所述的基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，所述训练部分、算法部分、测试部分中的催化反应模块1、催化反应模块2、湮灭反应模块属于同一类型的反应模块，但不是同一反应模块。