| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景 | 第10页 |
| 1.2 研究目的及意义 | 第10-12页 |
| 1.3 国内外相关技术发展现状 | 第12-16页 |
| 1.3.1 蛋白质远同源性检测发展现状 | 第12-14页 |
| 1.3.2 深度学习发展现状 | 第14-16页 |
| 1.4 本文的主要研究内容和内容安排 | 第16-18页 |
| 1.4.1 主要研究内容 | 第16页 |
| 1.4.2 本文内容安排 | 第16-18页 |
| 第2章 基于长短期记忆的方法 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基准数据集的构建 | 第19-20页 |
| 2.3 蛋白质远同源性检测方法 | 第20-26页 |
| 2.3.1 蛋白质表示方法 | 第20-21页 |
| 2.3.2 长短期记忆网络 | 第21-23页 |
| 2.3.3 ULSTM的网络结构 | 第23-24页 |
| 2.3.4 BLSTM的网络结构 | 第24-25页 |
| 2.3.5 模型实现 | 第25-26页 |
| 2.4 实验结果与分析 | 第26-31页 |
| 2.4.1 性能评价指标 | 第26页 |
| 2.4.2 性能评估 | 第26-29页 |
| 2.4.3 Wilconxon符号秩检验 | 第29-30页 |
| 2.4.4 独立测试集SCOPe | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于卷积神经网络和长短期记忆的方法 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 基于CNN-BLSTM的检测方法 | 第32-34页 |
| 3.2.1 CNN-BLSTM的网络结构 | 第32-34页 |
| 3.2.2 CNN-BLSTM的模型实现 | 第34页 |
| 3.3 ULSTM,BLSTM和CNN-BLSTM的融合 | 第34-36页 |
| 3.4 实验结果与分析 | 第36-41页 |
| 3.4.1 深度学习模型间的性能比较 | 第36-38页 |
| 3.4.2 特征分析 | 第38-39页 |
| 3.4.3 ULSTM,BLSTM和CNN-BLSTM融合的性能 | 第39-41页 |
| 3.4.4 独立测试 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于深度学习和排序策略融合的方法 | 第42-51页 |
| 4.1 引言 | 第42页 |
| 4.2 SCOPE-2747独立测试集的构建 | 第42-43页 |
| 4.3 基于深度学习和排序策略融合的检测方法 | 第43-45页 |
| 4.3.1 基于排序策略的蛋白质远同源性检测方法 | 第43-44页 |
| 4.3.2 基于深度学习和排序策略融合的框架 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-48页 |
| 4.4.1 深度学习模型与排序方法融合的性能比较 | 第45-47页 |
| 4.4.2 在基准数据集上的性能评估 | 第47页 |
| 4.4.3 独立测试集上性能比较 | 第47-48页 |
| 4.5 在线预测系统 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |