| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-18页 |
| ·引言 | 第11-12页 |
| ·背景及意义 | 第12-15页 |
| ·本文的主要工作及创新 | 第15-16页 |
| ·本文的内容安排 | 第16-18页 |
| 第二章 支持向量机 | 第18-26页 |
| ·SVM 的理论基础 | 第18页 |
| ·SVM 的基本思想 | 第18-24页 |
| ·线性可分的情况 | 第18-22页 |
| ·线性不可分的情况 | 第22-23页 |
| ·核函数 | 第23-24页 |
| ·SVM 方法的特点 | 第24页 |
| ·SVM 解决实际问题的基本步骤 | 第24-26页 |
| 第三章 国内外研究现状及分类算法 | 第26-37页 |
| ·膜蛋白序列的特征提取算法 | 第27-32页 |
| ·基于氨基酸组成和位置的特征提取方法 | 第28-29页 |
| ·氨基酸组分（Amino Acid Composition: ACC） | 第28页 |
| ·熵密度（Entropy Density Profile: EDP） | 第28-29页 |
| ·残基耦联模型（Residue Couple Model: RCM） | 第29页 |
| ·基于氨基酸物理和化学特性的特征提取方法 | 第29-32页 |
| ·自相关函数 | 第30页 |
| ·伪氨基酸组成（Pseudo Amino Acid Composition: PseAA） | 第30页 |
| ·Zp 曲线和Zp 参数 | 第30-31页 |
| ·疏水模式组成（Hydrophobic Pattern: HP） | 第31-32页 |
| ·类序列顺序作用（Quasi Sequence Order Effect: QSOE） | 第32页 |
| ·基于数据库信息挖掘的特征提取方法 | 第32页 |
| ·膜蛋白分类算法 | 第32-33页 |
| ·基于机器学习的算法 | 第32-33页 |
| ·模型的构建 | 第33-37页 |
| ·数据集的构建 | 第33页 |
| ·模型的检验 | 第33-34页 |
| ·模型的评估 | 第34-37页 |
| 第四章 跨膜蛋白预测 | 第37-56页 |
| ·β桶状跨膜蛋白预测 | 第37-43页 |
| ·引言 | 第37页 |
| ·数据和方法 | 第37-40页 |
| ·数据集 | 第37-38页 |
| ·SVM 的分类方法 | 第38-39页 |
| ·基于氨基酸组成位置和物理化学特性的特征 | 第39-40页 |
| ·结果与讨论 | 第40-42页 |
| ·检验标准 | 第40-41页 |
| ·结果 | 第41-42页 |
| ·结论 | 第42-43页 |
| ·α螺旋跨膜蛋白预测 | 第43-49页 |
| ·引言 | 第43页 |
| ·数据集 | 第43-44页 |
| ·方法 | 第44-45页 |
| ·SVM 分类方法 | 第44页 |
| ·基于氨基酸组成位置和物理化学特性的特征 | 第44-45页 |
| ·结果与讨论 | 第45-49页 |
| ·检验标准 | 第45页 |
| ·结果 | 第45-49页 |
| ·结论 | 第49页 |
| ·内在膜蛋白预测 | 第49-56页 |
| ·引言 | 第49页 |
| ·数据集 | 第49-50页 |
| ·方法 | 第50-52页 |
| ·SVM 分类方法 | 第50页 |
| ·特征提取 | 第50-52页 |
| ·基于氨基酸组分和氨基酸残基指数的特征 | 第50-51页 |
| ·基于位置权重的氨基酸组分和氨基酸残基指数的特征 | 第51-52页 |
| ·结果与讨论 | 第52-54页 |
| ·检验标准 | 第52页 |
| ·结果 | 第52-54页 |
| ·结论 | 第54-56页 |
| 第五章 总结与展望 | 第56-60页 |
| ·工作总结 | 第56-58页 |
| ·工作展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 攻读学位期间公开发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |
