一种基于距离最大熵值的预测蛋白质结构域的新方法
| 提要 | 第1-7页 |
| 第一章 绪论 | 第7-11页 |
| ·生物信息学简介 | 第7-9页 |
| ·概述 | 第7页 |
| ·生物信息学研究的内容及方法 | 第7-8页 |
| ·生物信息学的应用 | 第8-9页 |
| ·本文的主要工作 | 第9-11页 |
| 第二章 蛋白质结构域预测的研究 | 第11-27页 |
| ·蛋白质结构预测 | 第11-19页 |
| ·蛋白质结构预测概述 | 第11-12页 |
| ·蛋白质结构的分类 | 第12-15页 |
| ·蛋白质结构理论预测的原理 | 第15-16页 |
| ·蛋白质结构的预测方法 | 第16-19页 |
| ·蛋白质结构域预测 | 第19-27页 |
| ·蛋白质结构域预测的研究现状 | 第20-23页 |
| ·研究中用到的常用数据库简介 | 第23-27页 |
| 第三章 支持向量机 | 第27-41页 |
| ·机器学习 | 第27-31页 |
| ·机器学习的学习系统 | 第28-29页 |
| ·机器学习的主要策略 | 第29-30页 |
| ·机器学习的问题描述 | 第30页 |
| ·经验风险最小化 | 第30-31页 |
| ·支持向量机 | 第31-41页 |
| ·统计学习理论 | 第32页 |
| ·VC 维 | 第32-34页 |
| ·结构风险最小化 | 第34-35页 |
| ·支持向量机 | 第35-39页 |
| ·广义最优分类面 | 第35-37页 |
| ·支持向量机 | 第37-39页 |
| ·核函数 | 第39页 |
| ·支持向量机在生物信息学中的应用 | 第39-41页 |
| 第四章 基于距离最大熵值预测蛋白质结构域 | 第41-49页 |
| ·不平衡数据集分类 | 第41-45页 |
| ·评价标准 | 第42-44页 |
| ·解决方法 | 第44-45页 |
| ·基于距离最大熵值预测蛋白质结构域 | 第45-49页 |
| ·SVM 二分类器的训练算法 | 第45页 |
| ·原始的SMO 分类算法 | 第45-46页 |
| ·SVM 不适用于不平衡分类 | 第46-47页 |
| ·基于距离最大熵的欠采样方法 | 第47-49页 |
| 第五章 实验设计及结果分析 | 第49-57页 |
| ·实验框架设计 | 第49-54页 |
| ·数据提取和预处理 | 第50页 |
| ·多序列比对（BLAST 比对） | 第50-51页 |
| ·特征信号的提取 | 第51-54页 |
| ·支持向量机参数分析 | 第54页 |
| ·实验结果分析 | 第54-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·本文总结 | 第57页 |
| ·后续工作展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 摘要 | 第62-65页 |
| ABSTRACT | 第65-69页 |
| 致谢 | 第69-70页 |
| 导师及作者简介 | 第70页 |
