| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景与意义 | 第9-14页 |
| 1.2 各章内容介绍 | 第14-15页 |
| 第2章 相关理论及技术原理 | 第15-29页 |
| 2.1 本论文所提出的模型的相关技术 | 第15-27页 |
| 2.1.1 基于离散余弦变换的特征抽取方法 | 第15-16页 |
| 2.1.2 基于全局编码的特征抽取方法 | 第16-18页 |
| 2.1.3 基于小波变换的特征抽取方法 | 第18-21页 |
| 2.1.4 加权稀疏表达分类器 | 第21-25页 |
| 2.1.5 集成学习策略 | 第25-27页 |
| 2.2 本文对比实验所涉及的相关技术 | 第27-29页 |
| 2.2.1 K-MER特征向量 | 第27页 |
| 2.2.2 支持向量机 | 第27-29页 |
| 第3章 实例应用 | 第29-46页 |
| 3.1 数据集 | 第29-30页 |
| 3.2 评价标准 | 第30页 |
| 3.3 五折交叉验证 | 第30-31页 |
| 3.4 实验参数设置 | 第31页 |
| 3.5 Saccharomyces cerevisiae数据集的预测结果 | 第31-35页 |
| 3.6 Human数据集的预测结果 | 第35-39页 |
| 3.7 Helicobacter pylori数据集的预测结果 | 第39-43页 |
| 3.8 基于加权稀疏表达模型的独立实验的总结 | 第43-44页 |
| 3.9 跨物种蛋白质相互作用预测 | 第44-46页 |
| 第4章 性能对比 | 第46-55页 |
| 4.1 基于蛋白质序列的特征算子对比 | 第46-47页 |
| 4.2 WSRC与SVM分类器的对比实验 | 第47-49页 |
| 4.3 基于全局编码的特征算子的调参实验 | 第49-50页 |
| 4.4 基于小波转换的特征算子的调参实验 | 第50-51页 |
| 4.5 与现存蛋白质相互作用预测模型的性能对比 | 第51-55页 |
| 5.总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间的研究成果和科研经历 | 第62-64页 |