面向全基因组的改进参数服务器研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状综述 | 第11-12页 |
| 1.3 主要工作及创新点 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 相关工作 | 第14-22页 |
| 2.1 分布式计算框架背景 | 第14-17页 |
| 2.1.1 分布式计算框架概述 | 第14-15页 |
| 2.1.2 代表性框架介绍 | 第15-17页 |
| 2.2 生物学应用背景 | 第17-18页 |
| 2.2.1 motif模体识别问题概述 | 第17-18页 |
| 2.2.2 SNP单核苷酸多态性关联分析概述 | 第18页 |
| 2.3 最优化问题求解的一般方法 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 面向全基因组的GW-PS模型 | 第22-35页 |
| 3.1 全基因组机器学习问题描述 | 第22-24页 |
| 3.2 GW-PS模型 | 第24-34页 |
| 3.2.1 GW-PS模型架构 | 第24-27页 |
| 3.2.2 GW-PS模型原理 | 第27-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 全基因组序列特异性预测实验设计 | 第35-42页 |
| 4.1 问题描述与数据集分析 | 第35-37页 |
| 4.1.1 问题描述 | 第35页 |
| 4.1.2 数据集分析 | 第35-37页 |
| 4.2 深度卷积神经网络实验设计 | 第37-41页 |
| 4.2.1 模型架构设计 | 第37-38页 |
| 4.2.2 模型参数设计 | 第38-39页 |
| 4.2.3 前向传播设计 | 第39-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 实验结果评估 | 第42-49页 |
| 5.1 评估指标 | 第42-43页 |
| 5.1.1 运行时间 | 第42页 |
| 5.1.2 模型效果 | 第42-43页 |
| 5.2 实验环境 | 第43-45页 |
| 5.3 实验结果 | 第45-48页 |
| 5.4 实验分析与总结 | 第48页 |
| 5.5 本章小结 | 第48-49页 |
| 第6章 总结 | 第49-51页 |
| 6.1 本文总结 | 第49-50页 |
| 6.2 不足与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间完成的科研成果 | 第54-55页 |
| 致谢 | 第55页 |
