| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究的背景及意义 | 第11-13页 |
| ·研究的背景 | 第11-12页 |
| ·研究的意义 | 第12-13页 |
| ·研究的现状 | 第13-14页 |
| ·本文各章节的安排 | 第14-16页 |
| 第二章 不均衡数据集的相关研究及集成学习理论 | 第16-31页 |
| ·不均衡数据集分类的问题 | 第16-20页 |
| ·不均衡数据集分类面临的问题 | 第16-18页 |
| ·传统分类算法的失效 | 第18页 |
| ·不均衡数据集分类的解决策略 | 第18-20页 |
| ·构造性神经网络——覆盖算法 | 第20-24页 |
| ·M-P神经元模型 | 第20-21页 |
| ·覆盖算法及其改进 | 第21-24页 |
| ·集成学习的相关理论 | 第24-30页 |
| ·概述 | 第24-25页 |
| ·神经网络集成学习的实现方法 | 第25-29页 |
| ·神经网络集成的应用成果 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 不均衡分类数据集中一种基于聚类的下抽样方法 | 第31-39页 |
| ·下抽样方法的简介及相关的改进方法 | 第31页 |
| ·基于K-means聚类的下抽样方法的设计思想 | 第31-33页 |
| ·K-means算法 | 第32页 |
| ·基于K-means的下抽样算法 | 第32-33页 |
| ·实验 | 第33-35页 |
| ·数据集的选取 | 第33页 |
| ·实验的评价标准 | 第33-35页 |
| ·实验结果及分析 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于构造性神经网络集成学习的蛋白质相互作用位点的预测 | 第39-48页 |
| ·蛋白质相互作用的研究方法 | 第39-40页 |
| ·基于构造性神经网络集成的蛋白质相互作用位点预测的设计思想 | 第40页 |
| ·实验 | 第40-45页 |
| ·实验数据集的获取 | 第40-41页 |
| ·表面残基和界面残基的定义 | 第41-42页 |
| ·特征向量的构造 | 第42-43页 |
| ·集成分类器模型的构造 | 第43-44页 |
| ·实验的评价标准 | 第44-45页 |
| ·实验结果及分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于聚类的下抽样算法在蛋白质相互作用位点预测中的应用 | 第48-56页 |
| ·蛋白质相互作用位点数据集中不平衡现象及解决方法 | 第48页 |
| ·基于K-means的下抽样方法在蛋白质相互作用位点预测中的应用 | 第48-49页 |
| ·实验 | 第49-51页 |
| ·实验数据集来源 | 第49-50页 |
| ·表面残基和界面残基的定义 | 第50-51页 |
| ·蛋白质的特征提取 | 第51页 |
| ·实验结果与分析 | 第51-55页 |
| ·基于构造性神经网络集成方法、支持向量机和覆盖算法的实验比较 | 第51-53页 |
| ·基于K-means的下抽样的集成方法和基于构造性神经网络集成方法比较 | 第53-54页 |
| ·实验结果分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·主要的研究工作与总结 | 第56页 |
| ·进一步的研究方向 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 附录A 图索引 | 第63-64页 |
| 附录B 表索引 | 第64-65页 |
| Appendix A Figure Index | 第65-66页 |
| Appendix B Table Index | 第66-67页 |
| 致谢 | 第67-69页 |
| 硕士期间参与的科研项目及发表的论文 | 第69页 |
