| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第10-16页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 研究内容 | 第12-13页 |
| 1.3 研究意义 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 RNA二级结构打分函数的相关知识与技术 | 第16-29页 |
| 2.1 RNA结构描述以及计算表达 | 第16-19页 |
| 2.1.1 RNA结构描述 | 第16-18页 |
| 2.1.2 RNA二级结构预测方法以及计算表达 | 第18-19页 |
| 2.2 RNA二级结构打分函数 | 第19-24页 |
| 2.2.1 RNA二级结构打分函数定义 | 第19-20页 |
| 2.2.2 RNA二级结构打分函数评价标准 | 第20-21页 |
| 2.2.3 拟合RNA二级结构打分函数的常用特征 | 第21-22页 |
| 2.2.4 RNA二级结构打分函数的主要方法 | 第22-24页 |
| 2.3 递归神经网络介绍 | 第24-28页 |
| 2.3.1 传统递归神经网络 | 第24-25页 |
| 2.3.2 时间递归神经网络(Long Short-term Memory) | 第25-27页 |
| 2.3.3 结构递归神经网络(Gated Recurrent Unit) | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于递归神经网络的RNA二级结构打分函数 | 第29-38页 |
| 3.1 引言 | 第29-30页 |
| 3.2 双向递归神经网络 | 第30-31页 |
| 3.2.1 双向递归神经网络介绍 | 第30页 |
| 3.2.2 双向递归神经网络输出的合并 | 第30-31页 |
| 3.3 模型结构设计 | 第31-33页 |
| 3.3.1 模型整体架构 | 第31-33页 |
| 3.3.2 序列特征重组层 | 第33页 |
| 3.4 模型训练算法设计 | 第33-37页 |
| 3.4.1 通过遗传算法扩展目标变量范围 | 第33-35页 |
| 3.4.2 按batch算法对变长序列的输入进行处理 | 第35-36页 |
| 3.4.3 处理样本特征的k-folder交叉验证算法 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于keras的RNA打分函数实现与结果分析 | 第38-55页 |
| 4.1 引言 | 第38页 |
| 4.2 实验数据 | 第38-40页 |
| 4.2.1 数据集 | 第38-39页 |
| 4.2.2 目标变量 | 第39页 |
| 4.2.3 RNA二级结构打分函数实现 | 第39-40页 |
| 4.3 基于人工选择的超参数模型拟合RNA二级结构打分函数 | 第40-49页 |
| 4.3.1 基于人工选择的超参数 | 第40-41页 |
| 4.3.2 实验结果及分析 | 第41-49页 |
| 4.4 基于超参数优化技术的模型拟合RNA二级结构打分函数 | 第49-54页 |
| 4.4.1 Hyperopt超参数框架 | 第49-50页 |
| 4.4.2 Hyperopt超参数配置 | 第50-51页 |
| 4.4.3 实验结果及分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 攻读硕士学位期间发表(录用)的论文及参与的科研项目 | 第64-65页 |
| 致谢 | 第65-66页 |
