基于主动学习的非实验蛋白数据挖掘方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-17页 |
| ·研究背景及意义 | 第8-11页 |
| ·亚细胞结构简介 | 第8-9页 |
| ·蛋白亚细胞定位预测简介 | 第9-11页 |
| ·研究现状 | 第11-14页 |
| ·主要问题及研究目标 | 第14-15页 |
| ·论文研究内容和安排 | 第15-17页 |
| ·主要研究内容 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 2 机器学习中的主要分类算法 | 第17-26页 |
| ·K-近邻 | 第17-18页 |
| ·K-近邻分类原理 | 第17-18页 |
| ·K-近邻特点 | 第18页 |
| ·支持向量机 | 第18-22页 |
| ·线性判别函数与超平面 | 第18-19页 |
| ·最优分类面 | 第19-21页 |
| ·非线性支持向量机 | 第21-22页 |
| ·SVM特点 | 第22页 |
| ·高斯过程模型 | 第22-24页 |
| ·高斯过程分类模型 | 第23页 |
| ·支持向量机与高斯过程模型比较 | 第23-24页 |
| ·高斯过程模型的特点 | 第24页 |
| ·多值分类 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 蛋白质亚细胞定位预测数据集的构建 | 第26-34页 |
| ·Swiss-Prot数据库 | 第26-28页 |
| ·Swiss-Prot简介 | 第26-28页 |
| ·蛋白质序列的条目信息 | 第28页 |
| ·数据的筛选和特征提取 | 第28-33页 |
| ·数据的筛选 | 第29-30页 |
| ·数据的特征提取 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 4 非实验标记样本主动挑选算法的设计 | 第34-43页 |
| ·主动学习技术 | 第34-35页 |
| ·半监督主动学习方法 | 第35-38页 |
| ·半监督分类方法的基本假设 | 第35-36页 |
| ·几种已有算法的半监督学习框架 | 第36-37页 |
| ·半监督主动学习算法 | 第37-38页 |
| ·非实验样本主动挑选算法 | 第38-42页 |
| ·算法设计 | 第38-41页 |
| ·评价矩阵 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 5 蛋白亚细胞定位预测实验 | 第43-50页 |
| ·实验参数及实验环境 | 第43页 |
| ·各数据集的预测结果分析 | 第43-49页 |
| ·分类器性能的比较 | 第44-46页 |
| ·非实验样本对分类器性能的影响 | 第46-47页 |
| ·三个数据集的预测结果比较 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
