| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·G 蛋白偶联受体的研究现状 | 第11-13页 |
| ·本文主要研究内容及组织结构 | 第13-16页 |
| 第二章 G 蛋白偶联受体的预测研究 | 第16-26页 |
| ·引言 | 第16-18页 |
| ·分类预测功能 | 第18-19页 |
| ·数据集的构建及表示 | 第19-22页 |
| ·G 蛋白偶联受体相关生物信息学资源 | 第19-20页 |
| ·数据来源 | 第20-21页 |
| ·数据编码 | 第21-22页 |
| ·分类模型的构建 | 第22-23页 |
| ·GPCR 家族的预测 | 第23-24页 |
| ·模型的性能评价方法 | 第24-25页 |
| ·小结 | 第25-26页 |
| 第三章 生物信息学中的隐马尔可夫模型 | 第26-38页 |
| ·引言 | 第26页 |
| ·马尔可夫链 | 第26-28页 |
| ·隐马尔可夫模型 | 第28-35页 |
| ·隐马尔可夫模型的引入 | 第28-29页 |
| ·隐马尔可夫模型的三个基本问题及求解 | 第29-35页 |
| ·剖面隐马氏模型 | 第35-36页 |
| ·小结 | 第36-38页 |
| 第四章 采用隐马尔可夫模型用于分类预测 | 第38-46页 |
| ·引言 | 第38页 |
| ·Baum-Welch 重估计（EM）算法 | 第38-41页 |
| ·剖面隐马氏模型的拓扑构形 | 第41-42页 |
| ·测试结果与性能分析 | 第42-44页 |
| ·测试结果 | 第42-43页 |
| ·性能分析 | 第43-44页 |
| ·小结 | 第44-46页 |
| 第五章 结合 PSO 的隐马尔可夫模型用于分类预测 | 第46-64页 |
| ·引言 | 第46页 |
| ·粒子群优化算法 | 第46-54页 |
| ·标准 PSO | 第46-49页 |
| ·改进的 PSO | 第49-54页 |
| ·改进 PSO 算法的引入 | 第49-50页 |
| ·参数动态调整的自适应粒子群优化算法 | 第50-52页 |
| ·引入多加权系数的自适应粒子群优化算法 | 第52页 |
| ·算法流程 | 第52-54页 |
| ·基于粒子群优化算法的隐马尔可夫模型 | 第54-58页 |
| ·HMM 主状态数的优化确定 | 第55页 |
| ·HMM 参数集的优化 | 第55-56页 |
| ·算法流程 | 第56-58页 |
| ·标准粒子群优化算法结合隐马尔可夫模型 | 第56-57页 |
| ·改进的粒子群优化算法结合隐马尔可夫模型 | 第57-58页 |
| ·测试结果与性能分析 | 第58-61页 |
| ·测试结果 | 第58-60页 |
| ·性能分析 | 第60-61页 |
| ·与其他研究工作比较 | 第61页 |
| ·小结 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |