几种蛋白质同源建模缺失值填充方法的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 蛋白质结构 | 第12-17页 |
| 1.2.1 一级结构 | 第13-14页 |
| 1.2.2 二级结构 | 第14-16页 |
| 1.2.3 三级结构 | 第16页 |
| 1.2.4 四级结构 | 第16-17页 |
| 1.3 蛋白质结构的预测 | 第17-19页 |
| 1.4 本文的创新点 | 第19页 |
| 1.5 论文内容的安排 | 第19-21页 |
| 第2章 多序列比对 | 第21-27页 |
| 2.1 双序列比对 | 第22页 |
| 2.2 多序列比对 | 第22-23页 |
| 2.3 手工比对和自动比对 | 第23-24页 |
| 2.3.1 手工比对方法 | 第23页 |
| 2.3.2 自动比对方法 | 第23-24页 |
| 2.4 蛋白质数据集选取及多序列比对 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 主元分析和缺失值问题 | 第27-32页 |
| 3.1 算法背景 | 第27页 |
| 3.2 主成分分析法的原理 | 第27-28页 |
| 3.3 算法的实现 | 第28-30页 |
| 3.4 蛋白质结构数据的主成分分析 | 第30-31页 |
| 3.5 缺失值问题 | 第31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 缺失值处理 | 第32-44页 |
| 4.1 最近邻算法 | 第32-34页 |
| 4.1.1 最近邻算法概述 | 第32-33页 |
| 4.1.2 最近邻算法的填充 | 第33-34页 |
| 4.2 自组织神经网络 | 第34-37页 |
| 4.2.1 自组织神经网络概述 | 第34页 |
| 4.2.2 自组织神经网络模型的结构 | 第34-35页 |
| 4.2.3 学习规则 | 第35-36页 |
| 4.2.4 自组织神经网络的填充 | 第36-37页 |
| 4.3 反向传播网络 | 第37-41页 |
| 4.3.1 算法概述 | 第37页 |
| 4.3.2 误差反传神经网络的结构 | 第37-38页 |
| 4.3.3 学习规则 | 第38-41页 |
| 4.3.4 误差反传算法的填充 | 第41页 |
| 4.4 期望最大化 | 第41-43页 |
| 4.4.1 期望最大化概述 | 第41-42页 |
| 4.4.2 蛋白质数据集中期望最大化的实现 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 简正模分析 | 第44-47页 |
| 5.1 简正模分析发展简介 | 第44-45页 |
| 5.2 简正模分析理论 | 第45-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第6章 数据结果与讨论 | 第47-57页 |
| 6.1 研究尺度的提升 | 第47-50页 |
| 6.2 特征向量空间的研究 | 第50-56页 |
| 6.2.1 最近邻算法填充的空间 | 第50-52页 |
| 6.2.2 自组织神经网络算法填充的空间 | 第52-54页 |
| 6.2.3 误差反传算法填充的空间 | 第54-55页 |
| 6.2.4 简正模分分析对空间质量的提升 | 第55-56页 |
| 6.3 本章小结 | 第56-57页 |
| 第7章 结论与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64页 |
