| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-14页 |
| 1.2.1 深度学习研究现状 | 第9-12页 |
| 1.2.2 深度学习在RBP结合位点预测的应用现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 深度学习理论基础 | 第16-27页 |
| 2.1 卷积神经网络 | 第16-20页 |
| 2.1.1 卷积层 | 第16-19页 |
| 2.1.2 非线性层 | 第19页 |
| 2.1.3 池化层 | 第19-20页 |
| 2.1.4 全连接层 | 第20页 |
| 2.2 循环神经网络 | 第20-27页 |
| 2.2.1 RNN结构 | 第20-22页 |
| 2.2.2 RNN的传播过程 | 第22页 |
| 2.2.3 RNN的训练方法 | 第22-23页 |
| 2.2.4 LSTM网络 | 第23-27页 |
| 第三章 RBP结合位点的表示方法与预测评价标准 | 第27-30页 |
| 3.1 RBP结合位点的表示方法 | 第27-28页 |
| 3.1.1 位置-权重矩阵模型(PWM)表示法 | 第27页 |
| 3.1.2 序列logo表示法 | 第27-28页 |
| 3.2 RBP结合位点预测的评价标准 | 第28-29页 |
| 3.2.1 E-value | 第28-29页 |
| 3.2.2 AUC | 第29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 基于CNN的 RBP结合位点基序分析 | 第30-45页 |
| 4.1 数据来源 | 第30-31页 |
| 4.2 算法理论与实现流程 | 第31-39页 |
| 4.2.1 卷积神经网络的优化 | 第31-35页 |
| 4.2.2 SGD算法及其变种 | 第35-37页 |
| 4.2.3 实现流程 | 第37-39页 |
| 4.3 实验结果分析 | 第39-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于CNN与 RNN的 RBP结合位点序列预测模型 | 第45-54页 |
| 5.1 预测模型的实现流程 | 第45-49页 |
| 5.1.1 双向LSTM的应用 | 第46页 |
| 5.1.2 RMSProp算法 | 第46-48页 |
| 5.1.3 Adam算法 | 第48页 |
| 5.1.4 模型的实现步骤 | 第48-49页 |
| 5.2 预测模型结果比对 | 第49-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文总结 | 第54页 |
| 6.2 未来工作的展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |