| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·问题提出的背景及意义 | 第9-10页 |
| ·问题提出的背景 | 第9页 |
| ·问题提出的意义 | 第9-10页 |
| ·国内外研究的现状 | 第10-11页 |
| ·国外研究的现状 | 第10页 |
| ·国内研究的现状 | 第10-11页 |
| ·本文的研究目的和创新点 | 第11页 |
| ·本文研究的目的 | 第11页 |
| ·本文的创新点 | 第11页 |
| ·本文的结构安排 | 第11-12页 |
| 第二章 生物免疫系统 | 第12-19页 |
| ·抗原和抗体 | 第12-14页 |
| ·抗原和抗原的种类 | 第12页 |
| ·抗原的异物性和特异性 | 第12-13页 |
| ·抗体与免疫球蛋白及其结构 | 第13-14页 |
| ·抗体的功能 | 第14页 |
| ·免疫细胞 | 第14-16页 |
| ·造血干细胞 | 第14页 |
| ·淋巴细胞 | 第14-16页 |
| ·单核吞噬细胞 | 第16页 |
| ·免疫机制 | 第16-18页 |
| ·免疫耐受 | 第16-17页 |
| ·免疫应答 | 第17-18页 |
| ·免疫记忆 | 第18页 |
| ·本章总结 | 第18-19页 |
| 第三章 人工免疫模型和决策树 | 第19-26页 |
| ·人工免疫模型 | 第19-23页 |
| ·人工免疫模型的历史 | 第19-20页 |
| ·SNS 模型 | 第20-22页 |
| ·SNS 模型的缺点 | 第22-23页 |
| ·决策树算法 | 第23-25页 |
| ·决策树学习的简介 | 第23页 |
| ·决策树学习的算法 | 第23-25页 |
| ·决策树学习的问题 | 第25页 |
| ·本章总结 | 第25-26页 |
| 第四章 基于主从Self 集和两次训练的人工免疫模型 | 第26-37页 |
| ·新模型的描述 | 第26-27页 |
| ·新模型的组成 | 第26页 |
| ·三个模块的功能 | 第26-27页 |
| ·基于主从Self 集的抗体集生成算法(PASA) | 第27-32页 |
| ·PASA 算法概念的定义 | 第27页 |
| ·PASA 算法的改进策略 | 第27-30页 |
| ·PASA 算法的描述 | 第30-32页 |
| ·二次训练算法(STA) | 第32-34页 |
| ·STA 算法的改进策略 | 第32页 |
| ·STA 算法的描述 | 第32-34页 |
| ·基于亲和度计算的微调算法(CAPASA) | 第34-36页 |
| ·CAPASA 算法的改进策略 | 第34-35页 |
| ·CAPASA 算法的描述 | 第35-36页 |
| ·总结 | 第36-37页 |
| 第五章 实验结果与分析 | 第37-47页 |
| ·实验环境 | 第37-39页 |
| ·实验数据 | 第37页 |
| ·实验步骤 | 第37-38页 |
| ·实验平台 | 第38-39页 |
| ·实验结果 | 第39-45页 |
| ·PASA 算法的实验结果 | 第39-42页 |
| ·STA 算法的实验结果 | 第42-44页 |
| ·CAPASA 算法的实验结果 | 第44-45页 |
| ·实验分析 | 第45-46页 |
| ·新模型的有效性 | 第45-46页 |
| ·新模型的不足 | 第46页 |
| ·总结 | 第46-47页 |
| 第六章 总结和展望 | 第47-49页 |
| ·总结 | 第47页 |
| ·展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 附录(攻读硕士期间发表的论文) | 第53页 |