| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1.绪论 | 第9-21页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 蛋白质结构的基础知识 | 第11-16页 |
| 1.2.1 蛋白质的组成 | 第11-12页 |
| 1.2.2 蛋白质的结构层次 | 第12-14页 |
| 1.2.3 蛋白质结构类 | 第14-15页 |
| 1.2.4 数据库与数据集 | 第15-16页 |
| 1.3 蛋白质结构类预测的国内外现状 | 第16-19页 |
| 1.4 论文的主要工作和安排 | 第19-21页 |
| 2.蛋白质结构类预测的特征提取和分类算法 | 第21-28页 |
| 2.1 引言 | 第21页 |
| 2.2 蛋白质的特征提取方法 | 第21-24页 |
| 2.2.1 氨基酸组分和多肽组分 | 第21-22页 |
| 2.2.2 伪氨基酸组分 | 第22页 |
| 2.2.3 位置特异性得分矩阵 | 第22-23页 |
| 2.2.4 平均化学位移 | 第23页 |
| 2.2.5 自相关函数 | 第23-24页 |
| 2.3 预测分类算法 | 第24-26页 |
| 2.3.1 支持向量机 | 第24-25页 |
| 2.3.2 朴素贝叶斯分类器 | 第25页 |
| 2.3.3 K近邻算法 | 第25-26页 |
| 2.3.4 线性判别分析 | 第26页 |
| 2.4 评估指标 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3.基于多信息融合和多维尺度分析的蛋白质结构类预测 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 材料与方法 | 第28-33页 |
| 3.2.1 数据集 | 第28-29页 |
| 3.2.2 特征提取 | 第29-30页 |
| 3.2.3 多维尺度分析 | 第30-31页 |
| 3.2.4 支持向量机 | 第31-32页 |
| 3.2.5 模型构建 | 第32-33页 |
| 3.3 结果与讨论 | 第33-44页 |
| 3.3.1 最优参数的选取 | 第33-37页 |
| 3.3.2 不同降维方法对结果的影响 | 第37页 |
| 3.3.3 分类算法对结果的影响 | 第37-39页 |
| 3.3.4 特征提取对结果的影响 | 第39-41页 |
| 3.3.5 预测模型的性能 | 第41-42页 |
| 3.3.6 与其它方法的性能比较 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4.基于伪氨基酸组分和小波降噪的低相似性序列蛋白质结构类预测 | 第45-64页 |
| 4.1 引言 | 第45页 |
| 4.2 材料与方法 | 第45-50页 |
| 4.2.1 数据集 | 第45-46页 |
| 4.2.2 特征提取 | 第46页 |
| 4.2.3 小波降噪 | 第46-48页 |
| 4.2.4 支持向量机 | 第48-49页 |
| 4.2.5 模型构建 | 第49-50页 |
| 4.3 结果与讨论 | 第50-63页 |
| 4.3.1 最优参数λ的选取 | 第50页 |
| 4.3.2 最优小波基函数和分解尺度的选取 | 第50-52页 |
| 4.3.3 降噪阈值方法的选择 | 第52-54页 |
| 4.3.4 核函数对结果的影响 | 第54-55页 |
| 4.3.5 特征提取对结果的影响 | 第55-58页 |
| 4.3.6 预测模型的性能 | 第58-60页 |
| 4.3.7 与其它方法的性能比较 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 附录 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间发表的学术论文目录 | 第79-80页 |