基于人工神经网络的蛋白质编码区识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景 | 第15页 |
| 1.2 研究目的和意义 | 第15-16页 |
| 1.3 研究现状 | 第16-17页 |
| 1.4 本文主要工作及内容安排 | 第17-19页 |
| 第二章 蛋白质编码区的相关知识 | 第19-27页 |
| 2.1 对蛋白质编码区的认识 | 第19-21页 |
| 2.1.1 蛋白质编码区 | 第19-20页 |
| 2.1.2 蛋白质编码区识别难点 | 第20-21页 |
| 2.2 蛋白质编码区识别的实验数据 | 第21-23页 |
| 2.3 传统蛋白质编码区识别算法 | 第23-24页 |
| 2.3.1 基于支持向量机的蛋白质编码区识别 | 第23页 |
| 2.3.2 基于隐马尔可夫模型的蛋白质编码区识别 | 第23-24页 |
| 2.4 算法评价标准 | 第24-25页 |
| 2.4.1 评价方式 | 第24-25页 |
| 2.4.2 阈值选择 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于人工神经网络的蛋白质编码区识别 | 第27-55页 |
| 3.1 模型设计 | 第27-31页 |
| 3.1.1 模型构建流程 | 第27-28页 |
| 3.1.2 基因数据预处理 | 第28-29页 |
| 3.1.3 梯度下降算法的选择 | 第29-30页 |
| 3.1.4 激活函数和损失函数的选择 | 第30-31页 |
| 3.2 基于MLP的蛋白质编码区识别 | 第31-36页 |
| 3.2.1 模型构建 | 第31页 |
| 3.2.2 MLP的前向传播和反向传播 | 第31-32页 |
| 3.2.3 隐藏层节点数目对MLP性能的影响 | 第32-34页 |
| 3.2.4 过拟合测试 | 第34-36页 |
| 3.3 基于CNN的蛋白质编码区识别 | 第36-41页 |
| 3.3.1 模型构建 | 第36-37页 |
| 3.3.2 CNN的前向传播和反向传播 | 第37-39页 |
| 3.3.3 卷积核宽度和个数对CNN性能的影响 | 第39-41页 |
| 3.3.4 过拟合测试 | 第41页 |
| 3.4 基于RNN的蛋白质编码区识别 | 第41-46页 |
| 3.4.1 模型构建 | 第41-42页 |
| 3.4.2 RNN的前向传播和反向传播 | 第42-44页 |
| 3.4.3 隐藏状态个数对RNN性能的影响 | 第44-46页 |
| 3.4.4 过拟合测试 | 第46页 |
| 3.5 实验结果分析 | 第46-53页 |
| 3.5.1 阈值选择 | 第46-48页 |
| 3.5.2 精度比较 | 第48-49页 |
| 3.5.3 可靠性比较 | 第49-50页 |
| 3.5.4 识别结果比较 | 第50-52页 |
| 3.5.5 模型规模和运行时间比较 | 第52-53页 |
| 3.6 本章总结 | 第53-55页 |
| 第四章 基于集成学习的蛋白质编码区识别 | 第55-65页 |
| 4.1 集成模型的构建 | 第55-59页 |
| 4.1.1 集成模型构建策略 | 第55-56页 |
| 4.1.2 基于投票的编码区识别集成模型 | 第56页 |
| 4.1.3 基于再学习的编码区识别集成模型 | 第56-58页 |
| 4.1.4 基于模型合并的蛋白质编码区识别 | 第58-59页 |
| 4.2 集成模型性能 | 第59-62页 |
| 4.2.1 精度比较 | 第59-60页 |
| 4.2.2 识别结果比较 | 第60-62页 |
| 4.3 与传统蛋白质编码区识别算法的比较 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文工作及贡献 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
