| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景 | 第11-14页 |
| 1.2 领域研究现状 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 复杂网络与机器学习概述 | 第18-30页 |
| 2.1 复杂网络概述 | 第18-19页 |
| 2.1.1 复杂网络研究背景 | 第18页 |
| 2.1.2 复杂网络的发展 | 第18-19页 |
| 2.2 复杂网络结构特性及分析 | 第19-23页 |
| 2.2.1 小世界特性 | 第19-20页 |
| 2.2.2 无标度特性 | 第20-21页 |
| 2.2.3 平均路径长度 | 第21-22页 |
| 2.2.4 集聚系数 | 第22页 |
| 2.2.5 节点度和度分布 | 第22-23页 |
| 2.3 传统关键节点识别算法概述 | 第23-28页 |
| 2.3.1 度中心性算法 DC | 第23-24页 |
| 2.3.2 介数中心性算法 BC | 第24-25页 |
| 2.3.3 紧密度中心性算法 CC | 第25-26页 |
| 2.3.4 特征向量中心性算法 EC | 第26页 |
| 2.3.5 子图中心性算法 SC | 第26-27页 |
| 2.3.6 信息流量中心性算法 IC | 第27-28页 |
| 2.4 机器学习概述 | 第28-29页 |
| 2.4.1 机器学习定义 | 第28页 |
| 2.4.2 机器学习重要性 | 第28-29页 |
| 2.4.3 机器学习与数据挖掘 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于节点和边的新型关键节点识别算法 | 第30-35页 |
| 3.1 点聚集系数 C | 第30页 |
| 3.2 边聚集系数 ECC | 第30-31页 |
| 3.3 新中心性算法 NC | 第31-32页 |
| 3.4 本文改进算法 | 第32-33页 |
| 3.4.1 改进的边聚集系数 IECC | 第32页 |
| 3.4.2 改进算法 NEC | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 基于改进的 K 近邻算法的关键蛋白识别研究 | 第35-41页 |
| 4.1 K 近邻算法 | 第35-36页 |
| 4.1.1 K 近邻介绍 | 第35页 |
| 4.1.2 K 近邻的应用 | 第35-36页 |
| 4.2 K 近邻算法改进 | 第36-38页 |
| 4.2.1 Bootstrap-KNN 模型 | 第36-37页 |
| 4.2.2 Bootstrap-KNN 模型特征归一化 | 第37-38页 |
| 4.2.3 Bootstrap 抽样技术 | 第38页 |
| 4.3 Bootstrap-KNN 模型预测关键蛋白质 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 实验仿真及结果分析 | 第41-52页 |
| 5.1 实验数据集 | 第41页 |
| 5.2 实验环境 | 第41页 |
| 5.3 实验评价指标 | 第41-43页 |
| 5.3.1 敏感度 | 第42页 |
| 5.3.2 特异性 | 第42页 |
| 5.3.3 阳性预测值 | 第42页 |
| 5.3.4 阴性预测值 | 第42-43页 |
| 5.3.5 F-指标 | 第43页 |
| 5.3.6 准确率 | 第43页 |
| 5.4 NEC 实验结果及分析 | 第43-47页 |
| 5.5 Bootstrap-KNN 实验结果及分析 | 第47-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
