摘要 | 第6-8页 |
Abstract | 第8-10页 |
第1章 绪论 | 第17-23页 |
1.1. 研究背景与意义 | 第17-20页 |
1.2. 研究内容和组织结构 | 第20-23页 |
第2章 粗糙集理论概述 | 第23-35页 |
2.1. Pawlak经典粗糙集 | 第23-28页 |
2.1.1. 知识表示与粗糙近似集 | 第23-25页 |
2.1.2. 近似集的度量 | 第25-26页 |
2.1.3. 知识依赖 | 第26-27页 |
2.1.4. 特征约简 | 第27-28页 |
2.2. 模糊粗糙集 | 第28-30页 |
2.2.1. 模糊粗糙集模型 | 第28-29页 |
2.2.2. 近似质量与条件熵 | 第29页 |
2.2.3. 近似约简 | 第29-30页 |
2.3. 邻域粗糙集 | 第30-33页 |
2.3.1. 邻域粗糙集模型 | 第30-31页 |
2.3.2. 近似质量与邻域决策 | 第31-33页 |
2.4. 本章小结 | 第33-35页 |
第3章 单标记下的特征空间转换策略与粗糙数据分析 | 第35-41页 |
3.1. 引言 | 第35页 |
3.2. 多特征空间 | 第35-37页 |
3.2.1. 多特征空间的构造方法 | 第35-36页 |
3.2.2. 多特征空间下的近似质量 | 第36页 |
3.2.3. 多特征空间下的条件熵 | 第36-37页 |
3.3. 性能分析 | 第37-38页 |
3.3.1. 数据集 | 第37页 |
3.3.2. 近似质量的对比 | 第37页 |
3.3.3. 条件熵的对比 | 第37-38页 |
3.3.4. 分类性能的对比 | 第38页 |
3.4. 本章小结 | 第38-39页 |
本章内容相关的论文 | 第39-41页 |
第4章 多标记下的特征空间转换策略与粗糙数据分析 | 第41-57页 |
4.1. 引言 | 第41-42页 |
4.2. 多标记学习 | 第42-44页 |
4.2.1. 多标记学习框架 | 第42-43页 |
4.2.2. 类属特征空间的构造方法 | 第43-44页 |
4.2.3. 分类模型的生成 | 第44页 |
4.3. 基于类属特征约简的多标记学习 | 第44-48页 |
4.3.1. 类属特征空间维度约简方法 | 第44-45页 |
4.3.2. 样本选择策略 | 第45-46页 |
4.3.3. 样本选择策略下类属特征空间维度约简方法 | 第46-48页 |
4.4. 性能分析 | 第48-54页 |
4.4.1. 数据集 | 第48-49页 |
4.4.2. 实验设置 | 第49-50页 |
4.4.3. 实验结果 | 第50-54页 |
4.5. 本章小结 | 第54页 |
本章内容相关的论文 | 第54-57页 |
第5章 参数化特征空间下的协同分类方法 | 第57-63页 |
5.1. 引言 | 第57页 |
5.2. 协同表达分类器 | 第57-58页 |
5.3. 分类学习方法 | 第58-60页 |
5.3.1. 特征选择算法 | 第58-59页 |
5.3.2. 邻域协同分类器 | 第59-60页 |
5.4. 性能分析 | 第60-62页 |
5.4.1. 数据集 | 第60页 |
5.4.2. 实验设置 | 第60页 |
5.4.3. 实验结果 | 第60-62页 |
5.5. 本章小结 | 第62页 |
本章内容相关的论文 | 第62-63页 |
第6章 多特征空间融合策略下的蛋白质结构类型预测方法 | 第63-73页 |
6.1. 引言 | 第63-64页 |
6.2. 特征抽取方法 | 第64-66页 |
6.2.1. 伪氨基酸组成 | 第64-65页 |
6.2.2. 伪位置特异性得分矩阵 | 第65-66页 |
6.3. 蛋白质结构类型预测方法 | 第66-68页 |
6.3.1. k-近邻错误率 | 第66-67页 |
6.3.2. 分类学习方法 | 第67-68页 |
6.4. 性能分析 | 第68-71页 |
6.4.1. 基准数据集 | 第68页 |
6.4.2. 实验设置 | 第68-69页 |
6.4.3. 实验结果 | 第69-71页 |
6.5. 本章小结 | 第71页 |
本章内容相关的论文 | 第71-73页 |
结论与展望 | 第73-75页 |
参考文献 | 第75-85页 |
攻读硕士学位期间发表的论文情况 | 第85-87页 |
攻读硕士学位期间主持(参与)的科研项目 | 第87-89页 |
攻读硕士学位期间参加的学术交流 | 第89-91页 |
攻读硕士学位期间的获奖情况 | 第91-93页 |
致谢 | 第93-94页 |