基于遗传算法和BP神经网络的蛋白质二级结构预测研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 前言 | 第9-14页 |
| ·生物信息学简介 | 第9页 |
| ·生物信息学研究内容及领域 | 第9-10页 |
| ·常用的分子生物学数据库 | 第10-12页 |
| ·机器学习在生物信息学中的应用 | 第12-13页 |
| ·论文主要工作与组织安排 | 第13-14页 |
| 第二章 蛋白质二级结构预测 | 第14-23页 |
| ·蛋白质结构简介 | 第14-17页 |
| ·蛋白质的基本概念 | 第14页 |
| ·蛋白质分子结构类型 | 第14-17页 |
| ·蛋白质结构预测的内容与方法 | 第17-19页 |
| ·蛋白质结构预测问题描述 | 第17-18页 |
| ·蛋白质结构预测依据 | 第18页 |
| ·蛋白质结构预测意义 | 第18-19页 |
| ·常用的蛋白质二级结构预测方法 | 第19-21页 |
| ·蛋白质二级结构预测存在的困题 | 第21-22页 |
| ·小节 | 第22-23页 |
| 第三章 人工神经网络及BP算法 | 第23-35页 |
| ·神经网络基本概念及原理 | 第23-25页 |
| ·神经网络的发展概况 | 第23页 |
| ·神经网络的生物学启示 | 第23-24页 |
| ·生物神经元工作原理 | 第24-25页 |
| ·神经网络模型 | 第25-28页 |
| ·人工神经元模型 | 第25页 |
| ·神经网络互联模式 | 第25-27页 |
| ·神经网络学习方式 | 第27-28页 |
| ·BP神经网络 | 第28-32页 |
| ·BP神经网络的结构 | 第28页 |
| ·BP网络学习规则 | 第28-32页 |
| ·BP网络的主要特点 | 第32页 |
| ·BP算法改进方法 | 第32-34页 |
| ·附加动量法调整策略 | 第32-33页 |
| ·自适应学习率调整的BP算法 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第四章 基于优化人工神经网络的蛋白质二级结构预测 | 第35-45页 |
| ·蛋白质二级结构预测 | 第35-40页 |
| ·蛋白质二级结构预测模型 | 第35页 |
| ·滑动窗口技术 | 第35-36页 |
| ·编码方式 | 第36-39页 |
| ·数据集 | 第39页 |
| ·预测准确率的评价指标 | 第39-40页 |
| ·遗传算法在神经网络中的应用 | 第40-44页 |
| ·遗传算法的基本思想 | 第40页 |
| ·遗传算法的实现过程 | 第40-43页 |
| ·用遗传算法优化神经网络连接权 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第五章 蛋白质二级结构预测模型的实现 | 第45-57页 |
| ·蛋白质二级结构预测模型 | 第45-46页 |
| ·样本数据的来源 | 第45-46页 |
| ·编码方式 | 第46页 |
| ·创建BP神经网络模型 | 第46-47页 |
| ·不同编码方式下BP网络结构设计 | 第46-47页 |
| ·预测准确度的评价指标 | 第47页 |
| ·BP算法实现 | 第47-49页 |
| ·标准BP算法 | 第48页 |
| ·改进BP算法 | 第48页 |
| ·BP算法结果分析 | 第48-49页 |
| ·遗传算法优化神经网络算法实现 | 第49-56页 |
| ·遗传算法的参数选择 | 第49-51页 |
| ·遗传算法优化标准BP网络具体步骤 | 第51-53页 |
| ·遗传算法优化标准BP网络的实现 | 第53-54页 |
| ·遗传算法优化改进的BP网络 | 第54页 |
| ·GA-BP算法结果分析 | 第54-56页 |
| ·小结 | 第56-57页 |
| 结论 | 第57-59页 |
| ·主要工作与结果 | 第57-58页 |
| ·进一步工作 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
