| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·论文的背景和意义 | 第10-12页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·固有不规则蛋白质结构预测器的研究现状 | 第12-17页 |
| ·固有不规则蛋白质研究存在的难点 | 第17-18页 |
| ·本文的主要工作内容 | 第18-19页 |
| ·本文的章节安排 | 第19-20页 |
| 第2章 固有不规则蛋白质 | 第20-28页 |
| ·引言 | 第20页 |
| ·氨基酸 | 第20-22页 |
| ·固有不规则蛋白质的结构特点 | 第22-24页 |
| ·固有不规则蛋白质的功能 | 第24-26页 |
| ·固有不规则蛋白质在细胞中的分布 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于监督流形学习算法的特征提取 | 第28-42页 |
| ·引言 | 第28页 |
| ·常用的特征提取方法 | 第28-34页 |
| ·主成分分析 | 第28-31页 |
| ·核主成分分析 | 第31-34页 |
| ·局部线性嵌入的流形学习 | 第34-38页 |
| ·流形学习中的数学概念 | 第35-36页 |
| ·局部线性嵌入的流形学习算法 | 第36-38页 |
| ·基于局部线性嵌入算法的特征提取 | 第38-40页 |
| ·实验过程 | 第38-39页 |
| ·实验结果与分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第4章 基于支持向量机的固有不规则蛋白质结构预测 | 第42-56页 |
| ·引言 | 第42页 |
| ·常用的固有不规则蛋白质结构预测方法介绍 | 第42-44页 |
| ·人工神经网络方法 | 第42-43页 |
| ·最近邻方法 | 第43页 |
| ·贝叶斯方法 | 第43-44页 |
| ·支持向量机方法 | 第44页 |
| ·支持向量机理论基础 | 第44-49页 |
| ·最优分类面 | 第45-47页 |
| ·核函数 | 第47-48页 |
| ·基于支持向量机构建预测器过程 | 第48-49页 |
| ·数据集的选取和建模过程及评价指标 | 第49-53页 |
| ·数据来源 | 第49-51页 |
| ·滑动窗口法 | 第51-52页 |
| ·预测器建模过程与评价指标 | 第52-53页 |
| ·实验结果分析 | 第53-55页 |
| ·参数选择 | 第53-54页 |
| ·结果与分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 基于多预测器融合算法的固有不规则蛋白质结构预测 | 第56-67页 |
| ·引言 | 第56页 |
| ·多预测器融合 | 第56-60页 |
| ·预测器融合的基本概念 | 第57页 |
| ·多预测器融合的体系框架 | 第57-58页 |
| ·成员预测器的设计方法 | 第58-59页 |
| ·Adaboost算法 | 第59-60页 |
| ·基于Adaboost算法预测固有不规则蛋白质结构 | 第60-66页 |
| ·氨基酸序列的特征向量选择 | 第61-63页 |
| ·窗口长度的选择 | 第63-64页 |
| ·多预测器融合算法实验 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-77页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第77-78页 |
| 致谢 | 第78页 |