1.基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，包括以下步骤：S1：基于DNA链置换反应构建激励函数；

S2：利用理想化反应设计分子学习机，并将S1构建的激励函数嵌入到该分子学习机中；

S3：根据S2中构建的分子学习机，设计相应的DNA分子反应模块，完成该分子学习机的DNA编译；

S4：将S3中的DNA分子学习机进行训练使权值得到更新，计算DNA分子学习机的输出与期望值之间的相对误差，当相对误差达到或低于设定阈值时，达到训练目标；

S5：为衡量该DNA分子学习机的拟合和预测能力，对其进行测试评估；

所述S1中激励函数的理想化反应描述为：反应(1)的微分方程如下：

公式(2)中的第二个式子两端同时取积分可得：由公式(3)可得物质A的数学解析解为：lnA(t)＝‑kxt+C1         (4)其中C1∈R，可得

当t＝0时,A(0)＝[A]0,因此 显然‑kxt

A(t)＝[A]0e               (6)其中[*]0代表*的初始浓度；

公式(2)中的第三个式子两端同时取积分可得：将公式(6)的结果带入到公式(7)中，可得：将积分变量t替换成‑kxt可得：

根据公式(9)，可以得到y(t)的表达式为：‑kxt

y(t)＝C2‑[A]0e

其中C2∈R，当t＝0时，y(0)＝[y]0,因此C2＝[A]0+[y]0,则可得：‑kxt

y(t)＝([A]0+[y]0)(1‑e )        (10)公式(10)为新型激励函数的表达式；

反应(1)由如下DNA链置换反应实现：其中x和y为信号DNA分子，Ga、Gb和H为辅助DNA链。

2.根据权利要求1所述的基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，所述S2中的分子学习机包括输入层部分、隐藏层部分、输出层部分，其中输入层部分表达式如下：其中反应(12)包含催化反应模块1和降解反应模块，输入层的节点数为N，则i＝1,

2,…,N

输入层理想化反应描述为：

隐藏层部分表达式如下：

其中反应(14)包含催化反应模块1和降解反应模块，其中隐藏层的节点数量为L，则n＝

1,2,…,L；

输出层部分的理想化反应表达式如下：

反应(15)包含催化反应模块2和降解反应模块，其中输出层的节点数量为M，则j＝1,

2,…,M；

信号分子Win和Vnj的浓度表示权值，Sn代表求和结果，yn代表激励函数的输出结果，dj代表输出层的输出结果，Win、Vnj、Sn、yn的浓度需要按如下反应加以调节；

反应(16)中Win和Vnj为短DNA链，前两项为调节反应模块1；而Sn、yn和Yj为长DNA链，后三项为调节反应模块2；

根据反应(12)‑(16)，可得Pn、Pj′、yn和 的微分方程为当物质Pn、Pj′和 的浓度趋近于平衡的时候，则 和 再结合公式(17)，可得：

其中 和 分别为隐藏层的激励函数和输出层的输出函数。

3.根据权利要求2所述的基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，所述催化反应模块1反应方程为：它由如下DNA链置换反应得到：

其中Pi被催化，Xi为输入信号DNA分子，Wi为权值报告链，Ami、Ani和Ci为辅助DNA链，且辅助DNA链的初始浓度为Cm，并满足Cm≥[Pi]0且Cm≥[Wi]0且Cm≥[Xi]0，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： 由如下DNA链置换反应得到：其中Pi被催化，Uai、Ubi、Di及Vi为辅助DNA链，且辅助DNA链的初始浓度设定为Cm，并满足Cm≥[Pi]0且Cm≥[Yi]0；反应速率qi满足qi≤qm，ki＝qi；

所述降解反应模块的反应方程为： 由如下DNA链置换反应得到：其中Pi被降解，Tai、Tbi和Mi为辅助DNA链，且辅助DNA链的初始浓度为Cm，并满足Cm≥[Pi]0且Cm≥[Yi]0；反应速率qi满足qi≤qm，ki＝qi；

所述调节反应模块1方程为 由如下DNA链置换反应得到：其中DNA链Wi、Eai和Ebi的初始浓度满足[Wi]0＜＜[Ebi]0且[Eai]0＜＜[Ebi]0，反应速率满足kci＝qci，kdi＝qdi，调节反应模块1用于短DNA链的调节作用，其中Wi为短DNA链；

所述调节反应模块2方程为 由如下DNA链置换反应得到：其中DNA链Yi、Wai和Wbi的初始浓度满足[Yi]0＜＜[Wbi]0且[Wai]0＜＜[Wbi]0，反应速率满足kmi＝qmi，kni＝qni，调节反应模块2用于长DNA链的调节作用，其中Yi为长DNA链。

4.根据权利要求1所述的基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，所述S4中训练过程包括以下步骤：S4‑1：训练数据的归一化处理

DNA分子学习机的训练由多组训练迭代完成，每组数据又由N个数据构成，即该学习机有N个输入，则i＝1,2,…,N；

其中

αip表示第p组训练数据中的第i个训练数据p＝1,2，…，P，Xi＝[αi1,αi2,…，αiP]表示由P组训练数据中的第i组训练数据形成的矩阵，函数max(*)和min(*)分别用于求出矩阵的最大值和最小值，此外，σ表示正调整系数，而χip和 分别表示分子学习系统的输入信号和输出信号；

S4‑2：机器学习的训练评估

在一轮训练中，定义相对误差ep如下：

其中

其中Dp表示使用所提出的激励函数获得的计算结果， 和 分别表示训练后Win和Vnj达到动态平衡后的浓度；

当一组训练数据已经被完全训练时，打乱P组训练数据的顺序然后继续下一次训练循环，利用平均相对误差来评估该训练迭代的有效性；

第l次训练迭代的平均相对误差 定义为：在多次训练迭代之后，直至 的值达到或低于预定阈值。

5.根据权利要求4所述的基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，所述S5中测试过程包括机器学习的测试评估，其过程如下：使用与训练数据不同的一组单独的Q组数据作为测试数据，该测试数据需要经过公式(23)中描述的归一化过程，以便进行如下准确评估：其中βiq表示第q组测试数据中的第i个训练数据，q＝1 .2 .....Q，定义相对误差e′q用于衡量测试性能：

其中

D′q表示使用第q组训练数据和所提出的激励函数获得的计算结果，此外， 和 表示完成训练后获得的权重值。

6.根据权利要求2所述的基于新型激励函数预测变加速直线运动中位移与时间关系的DNA分子学习机方法，其特征在于，所述输入层部分、隐藏层部分和输出层部分中的催化反应模块1、降解反应模块属于同一类型的反应模块，但不是同一反应模块。