| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 蛋白质亚细胞定位预测简介 | 第12-20页 |
| ·什么是蛋白质亚细胞定位预测 | 第12页 |
| ·传统的蛋白质定位方法 | 第12-13页 |
| ·生物信息学中蛋白质亚细胞定位方法 | 第13-16页 |
| ·同源模型化方法 | 第13页 |
| ·基于机器学习的方法 | 第13-14页 |
| ·生物信息学中蛋白质亚细胞定位预测基本步骤 | 第14-16页 |
| ·国内外研究动态 | 第16-17页 |
| ·研究意义 | 第17-18页 |
| ·论文创新点 | 第18-20页 |
| ·预测模型方面 | 第18页 |
| ·集成方法 | 第18-20页 |
| 第二章 基于进化模糊K-近邻算法分类器设计 | 第20-34页 |
| ·概论 | 第20页 |
| ·KNN 算法 | 第20-24页 |
| ·KNN 参数设置 | 第21-22页 |
| ·算法基本流程 | 第22-23页 |
| ·KNN 算法的优缺点 | 第23-24页 |
| ·模糊K 近邻算法（FKNN） | 第24-27页 |
| ·模糊集合理论 | 第24-25页 |
| ·模糊K 近邻算法（FKNN） | 第25页 |
| ·计算隶属度 | 第25-26页 |
| ·FKNN 算法流程 | 第26-27页 |
| ·FKNN 算法决策规则 | 第27页 |
| ·进化模糊K 近邻算法（EFKNN） | 第27-34页 |
| ·进化算法 | 第28-31页 |
| ·进化权因子(EWF) | 第31-32页 |
| ·适应度函数 | 第32-33页 |
| ·EFKNN 算法流程 | 第33-34页 |
| 第三章 集成学习在蛋白质亚细胞定位预测中的应用 | 第34-42页 |
| ·集成学习简介 | 第34-35页 |
| ·集成学习为什么有效 | 第35页 |
| ·集成学习有效的条件 | 第35-37页 |
| ·EFKNN 的有效集成 | 第37页 |
| ·集成规则 | 第37-42页 |
| 第四章 蛋白质特征提取算法 | 第42-56页 |
| ·氨基酸组成（AAC） | 第43-44页 |
| ·二肽组成模型（DIPEPTIDE COMPOSITION） | 第44-45页 |
| ·氨基酸水合性质组成 | 第45-46页 |
| ·理化组成模型 | 第46-47页 |
| ·伪氨基酸组成模型（PseAA） | 第47-52页 |
| ·准序列顺序模型（Quasi-seq-order） | 第52-56页 |
| 第五章 实验结果及比较 | 第56-70页 |
| ·蛋白质数据库简介 | 第56-59页 |
| ·实验所用数据集 | 第59-60页 |
| ·预测算法性能评估 | 第60-62页 |
| ·实验结果及对比 | 第62-70页 |
| ·EFKNN 预测蛋白质三级结构 | 第62-63页 |
| ·EFKNN 及其集成预测革兰氏阴性菌蛋白质亚细胞定位 | 第63-66页 |
| ·EFKNN 及其集成预测蛋白质亚核细胞定位 | 第66-70页 |
| 第六章 总结 | 第70-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-82页 |
| 附录 | 第82页 |
