多标记学习算法研究及在生物医学数据挖掘中的应用
| 致谢 | 第3-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 课题研究背景和意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-24页 |
| 1.2.1 AI发展现状 | 第18-22页 |
| 1.2.2 多标记学习的发展现状 | 第22-24页 |
| 1.3 主要研究内容及创新点 | 第24-25页 |
| 1.3.1 本文主要研究内容 | 第24-25页 |
| 1.3.2 创新点 | 第25页 |
| 1.4 课题来源及论文结构 | 第25-28页 |
| 第二章 多标记学习理论及典型方法介绍 | 第28-44页 |
| 2.1 引言 | 第28页 |
| 2.2 多标记学习的形式化描述 | 第28-30页 |
| 2.3 多标记学习的评价指标 | 第30-33页 |
| 2.4 多标记学习的工作原理及典型方法 | 第33-42页 |
| 2.4.1 问题转化方法 | 第33-39页 |
| 2.4.2 算法适应方法 | 第39-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第三章 一种集成多标记学习算法 | 第44-60页 |
| 3.1 引言 | 第44-46页 |
| 3.2 一种混合多标记分类方法 | 第46-50页 |
| 3.2.1 特征驱动方法 | 第46-48页 |
| 3.2.2 近邻驱动方法 | 第48-49页 |
| 3.2.3 混合方法 | 第49-50页 |
| 3.3 实验设计与结果分析 | 第50-58页 |
| 3.3.1 数据集 | 第50页 |
| 3.3.2 参数讨论 | 第50-54页 |
| 3.3.3 与其他方法的结果比较 | 第54-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第四章 一种深度多标记学习算法 | 第60-84页 |
| 4.1 引言 | 第60-61页 |
| 4.2 深度多标记学习 | 第61-71页 |
| 4.2.1 人工神经元模型 | 第62-63页 |
| 4.2.2 人工神经网络模型 | 第63-65页 |
| 4.2.3 多标记损失函数 | 第65-67页 |
| 4.2.4 梯度下降与误差反向传播算法 | 第67-71页 |
| 4.3 实验设计与结果分析 | 第71-83页 |
| 4.3.1 超参调节 | 第71-80页 |
| 4.3.2 与其他多标记学习方法的比较 | 第80-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第五章 多标记学习算法在抗菌肽活性预测中的应用 | 第84-100页 |
| 5.1 引言 | 第84-85页 |
| 5.2 数据集 | 第85-87页 |
| 5.3 特征提取 | 第87-91页 |
| 5.3.1 抗菌肽分子序列 | 第87-88页 |
| 5.3.2 氨基酸成分 | 第88页 |
| 5.3.3 二联体成分 | 第88-89页 |
| 5.3.4 伪氨基酸成分 | 第89-91页 |
| 5.4 多标记学习算法 | 第91-93页 |
| 5.5 实验设计与结果分析 | 第93-98页 |
| 5.5.1 参数讨论 | 第93页 |
| 5.5.2 模型比较 | 第93-98页 |
| 5.6 本章小结 | 第98-100页 |
| 第六章 多标记学习算法在慢病预测中的应用 | 第100-110页 |
| 6.1 引言 | 第100页 |
| 6.2 慢性病数据集 | 第100-103页 |
| 6.3 特征提取与标准化 | 第103-104页 |
| 6.4 多标记学习算法比较 | 第104-108页 |
| 6.5 本章小结 | 第108-110页 |
| 第七章 总结与展望 | 第110-112页 |
| 7.1 本文工作总结 | 第110页 |
| 7.2 下一步研究方向 | 第110-112页 |
| 参考文献 | 第112-121页 |
| 作者简介 | 第121-122页 |
