基于遗传算法的加权集成学习及其对piRNA的预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状概述 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 文章组织结构 | 第12-14页 |
| 第二章 piRNA特征提取概述 | 第14-23页 |
| 2.1 连续k元组 | 第14-15页 |
| 2.2 容错k元组 | 第15页 |
| 2.3 非连续k元组 | 第15-16页 |
| 2.4 反向补码k元组 | 第16页 |
| 2.5 平行相关伪二核苷酸组 | 第16-17页 |
| 2.6 平行相关伪三核苷酸组 | 第17-18页 |
| 2.7 系列相关伪二核苷酸组 | 第18-19页 |
| 2.8 系列相关伪三核苷酸组 | 第19页 |
| 2.9 稀疏性编码 | 第19-20页 |
| 2.10 位置特异性得分矩阵 | 第20-21页 |
| 2.11 局部结构序列三元组 | 第21页 |
| 2.12 本章小结 | 第21-23页 |
| 第三章 算法和模型 | 第23-37页 |
| 3.1 决策树及CART算法 | 第23-24页 |
| 3.2 Bagging算法 | 第24-26页 |
| 3.3 随机森林 | 第26-31页 |
| 3.3.1 随机森林的定义 | 第26页 |
| 3.3.2 随机森林算法 | 第26-27页 |
| 3.3.3 随机森林的泛化误差 | 第27-31页 |
| 3.3.4 随机森林的优点 | 第31页 |
| 3.4 加权集成学习 | 第31-33页 |
| 3.5 遗传算法 | 第33-35页 |
| 3.6 预测模型 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第四章 实验与分析 | 第37-47页 |
| 4.1 数据集 | 第37-38页 |
| 4.2 实验评估方法 | 第38-39页 |
| 4.3 实验结果 | 第39-46页 |
| 4.3.1 基于单个特征的预测结果 | 第39-42页 |
| 4.3.2 基于GA-WE模型的预测结果 | 第42-44页 |
| 4.3.3 与已有方法的比较 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 本文的主要结论 | 第47页 |
| 5.2 后期工作的展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 在校期间发表的学术论文和研究成果 | 第53-55页 |
| 致谢 | 第55-56页 |
