摘要 | 第9-11页 |
ABSTRACT | 第11-12页 |
第一章 绪论 | 第13-27页 |
1.1 研究背景和意义 | 第13-15页 |
1.2 相关问题的研究现状 | 第15-23页 |
1.2.1 蛋白质亚细胞区间预测研究现状 | 第15-16页 |
1.2.2 词袋模型研究现状 | 第16-17页 |
1.2.3 聚类分析研究现状 | 第17-23页 |
1.3 论文研究内容和组织结构 | 第23-27页 |
1.3.1 研究内容 | 第23-24页 |
1.3.2 组织结构 | 第24-27页 |
第二章 基于词袋模型的蛋白质特征提取算法 | 第27-39页 |
2.1 生物学基础 | 第27-29页 |
2.1.1 蛋白质简介 | 第27-28页 |
2.1.2 亚细胞区间 | 第28-29页 |
2.2 数据集 | 第29-30页 |
2.3 蛋白质特征 | 第30-33页 |
2.3.1 氨基酸组成(AAC) | 第31页 |
2.3.2 伪氨基酸组成(PseAAC) | 第31-32页 |
2.3.3 二肽组成特征(Dipe) | 第32-33页 |
2.4 蛋白质词袋模型特征提取算法 | 第33-39页 |
2.4.1 词袋模型 | 第33-34页 |
2.4.2 词袋模型特征提取算法描述及流程 | 第34-35页 |
2.4.3 实验结果与分析 | 第35-37页 |
2.4.3.1 评价指标 | 第35-36页 |
2.4.3.2 实验结果分析 | 第36-37页 |
2.4.4 存在问题 | 第37-39页 |
第三章 空间密度相似性度量K-means算法 | 第39-55页 |
3.1 引言 | 第39页 |
3.2 K-means聚类算法及其改进 | 第39-43页 |
3.2.1 K-means算法 | 第39-41页 |
3.2.2 K-means改进算法 | 第41-43页 |
3.3 SMK-means算法 | 第43-46页 |
3.3.1 基本定义 | 第44-45页 |
3.3.2 算法描述 | 第45-46页 |
3.3.3 算法说明及复杂度分析 | 第46页 |
3.4 实验结果及分析 | 第46-53页 |
3.4.1 数据集 | 第47-48页 |
3.4.1.1 非簇型人工数据集 | 第47页 |
3.4.1.2 UCI数据集 | 第47-48页 |
3.4.2 实验评价指标 | 第48-49页 |
3.4.3 实验结果分析 | 第49-52页 |
3.4.4 实验结论 | 第52-53页 |
3.5 本章小结 | 第53-55页 |
第四章 加权空间密度相似性度量K-means算法 | 第55-69页 |
4.1 引言 | 第55-56页 |
4.2 权值计算 | 第56-58页 |
4.3 W-SMK-means算法 | 第58-60页 |
4.3.1 基本定义 | 第58页 |
4.3.2 算法描述及流程 | 第58-60页 |
4.3.3 算法说明及复杂度分析 | 第60页 |
4.4 实验与分析 | 第60-66页 |
4.4.1 数据集 | 第60-61页 |
4.4.1.1 UCI数据集 | 第60页 |
4.4.1.2 蛋白序列基准数据集 | 第60-61页 |
4.4.2 实验结果与分析 | 第61-66页 |
4.4.2.1 权值对聚类效果的影响 | 第61-64页 |
4.4.2.2 区间预测结果的分析和比较 | 第64-66页 |
4.5 本章小结 | 第66-69页 |
第五章 W-SMK-means算法MPI并行及应用 | 第69-83页 |
5.1 并行计算基本理论 | 第69-76页 |
5.1.1 并行处理计算机系统 | 第69-71页 |
5.1.2 并行算法 | 第71-75页 |
5.1.3 并行编程 | 第75-76页 |
5.2 Floyd算法可并行性分析及任务划分 | 第76-78页 |
5.2.1 Floyd算法 | 第76-77页 |
5.2.2 可并行分析 | 第77页 |
5.2.3 任务划分 | 第77-78页 |
5.3 W-SMK-means算法并行实现 | 第78-81页 |
5.3.1 算法并行化 | 第78-79页 |
5.3.2 实验与分析 | 第79-81页 |
5.3.2.1 并行化效果分析 | 第79-80页 |
5.3.2.2 词袋模型的并行化效果分析 | 第80-81页 |
5.4 本章小结 | 第81-83页 |
第六章 总结与展望 | 第83-85页 |
6.1 已完成的主要工作 | 第83-84页 |
6.2 进一步的工作及展望 | 第84-85页 |
参考文献 | 第85-93页 |
致谢 | 第93-95页 |
攻读学位期间的研究成果 | 第95页 |