| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 目录 | 第8-12页 |
| 第一章 绪论 | 第12-19页 |
| §1.1 分形和多重分形 | 第12-15页 |
| §1.1.1 分形的概念 | 第12页 |
| §1.1.2 分形理论的发展 | 第12-14页 |
| §1.1.3 多重分形的概念 | 第14页 |
| §1.1.4 多重分形的发展 | 第14-15页 |
| §1.2 商空间粒度理论概述 | 第15-16页 |
| §1.2.1 粒度计算 | 第15页 |
| §1.2.2 商空间理论概述 | 第15-16页 |
| §1.3 本文内容安排 | 第16-19页 |
| 第二章 数学基础简介 | 第19-25页 |
| §2.1 度量空间 | 第19-21页 |
| §2.2 测度 | 第21-23页 |
| §2.3 拓扑动力系统及其基本概念 | 第23-24页 |
| §2.4 本章小结 | 第24-25页 |
| 第三章 随机商分形模型 | 第25-44页 |
| §3.1 模糊商空间理论简介 | 第25-26页 |
| §3.2 商分形模型 | 第26-32页 |
| §3.2.1 迭代函数系统 | 第27页 |
| §3.2.2 商空间链的构造 | 第27-29页 |
| §3.2.3 商分形的吸引子 | 第29-31页 |
| §3.2.4 商分形的动力性质 | 第31-32页 |
| §3.3 随机商分形模型的建立 | 第32-42页 |
| §3.3.1 随机迭代函数系统 | 第33-36页 |
| §3.3.2 递归迭代函数系统 | 第36-38页 |
| §3.3.3 向量递归迭代函数系统 | 第38-42页 |
| §3.4 本章小结 | 第42-44页 |
| 第四章 蛋白质结构分类与预测基础 | 第44-54页 |
| §4.1 生物信息学基础简介 | 第44-45页 |
| §4.2 蛋白质结构原理概述 | 第45-50页 |
| §4.2.1 蛋白质的构成 | 第46-48页 |
| §4.2.2 蛋白质的分级结构 | 第48页 |
| §4.2.3 蛋白质的结构类 | 第48-49页 |
| §4.2.4 蛋白质的结构与功能的关系 | 第49-50页 |
| §4.3 蛋白质结构及结构类预测基础 | 第50-53页 |
| §4.3.1 蛋白质结构预测的发展 | 第50-51页 |
| §4.3.2 蛋白质结构及结构类预测的方法 | 第51页 |
| §4.3.3 蛋白质结构数据库 | 第51-53页 |
| §4.4 本章小结 | 第53-54页 |
| 第五章 随机商分形模型在蛋白质序列分析中的应用 | 第54-94页 |
| §5.1 R/S分析法和H指数在蛋白质序列分析中的应用 | 第54-64页 |
| §5.1.1 变标度极差分析 | 第54-55页 |
| §5.1.2 Hurst指数的计算 | 第55-56页 |
| §5.1.3 Hurst指数的表征 | 第56-57页 |
| §5.1.4 蛋白质序列的Hurst指数 | 第57-64页 |
| §5.2 随机迭代函数系统在蛋白质序列分析中的应用 | 第64-72页 |
| §5.2.1 蛋白质序列的测度表示 | 第64-67页 |
| §5.2.2 蛋白质序列的随机商分形分析 | 第67-69页 |
| §5.2.3 实验例证 | 第69-72页 |
| §5.3 多重分形在蛋白质序列分析中的应用 | 第72-92页 |
| §5.3.1 分形维数的概念及其计算 | 第73-74页 |
| §5.3.2 多重分形谱的概念及其计算 | 第74-76页 |
| §5.3.3 分形维数、多重分形与商空间之间的关系 | 第76-77页 |
| §5.3.4 基于距离序列的蛋白质多重分形分析 | 第77-83页 |
| §5.3.5 基于物理化学特征序列的蛋白质多重分形分析 | 第83-89页 |
| §5.3.6 多重分形的加权因子q的影响 | 第89-92页 |
| §5.4 本章小结 | 第92-94页 |
| 第六章 随机商分形在蛋白质结构类预测中的应用 | 第94-117页 |
| §6.1 蛋白质结构类预测中的特征提取 | 第94-99页 |
| §6.1.1 氨基酸组成成分提取法 | 第94-95页 |
| §6.1.2 熵密度特征提取法 | 第95页 |
| §6.1.3 完全信息集特征提取法 | 第95-96页 |
| §6.1.4 自相关函数特征提取法 | 第96-97页 |
| §6.1.5 伪氨基酸组成成分特征提取法 | 第97-98页 |
| §6.1.6 准序列次序特征提取法 | 第98-99页 |
| §6.2 蛋白质结构类预测中的智能计算方法 | 第99-110页 |
| §6.2.1 概率神经网络 | 第100-103页 |
| §6.2.2 支持向量机 | 第103-106页 |
| §6.2.3 覆盖算法 | 第106-108页 |
| §6.2.4 遗传算法 | 第108-110页 |
| §6.2.5 分类系统评估 | 第110页 |
| §6.3 实验例证 | 第110-116页 |
| §6.3.1 实验数据 | 第110-112页 |
| §6.3.2 实验结果及分析 | 第112-116页 |
| §6.4 本章小结 | 第116-117页 |
| 第七章 总结与展望 | 第117-120页 |
| §7.1 本文的总结 | 第117-118页 |
| §7.2 进一步研究的可能方向 | 第118-120页 |
| 参考文献 | 第120-128页 |
| 图索引 | 第128-130页 |
| 表索引 | 第130-131页 |
| FIGURE INDEX | 第131-133页 |
| TABLE INDEX | 第133-134页 |
| 致谢 | 第134-135页 |
| 作者攻读博士学位期间完成的学术论文 | 第135-136页 |
| 作者攻读博士学位期间参加的科研项目 | 第136页 |
