| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题的背景及其研究意义 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 关于原核基因编码区的识别 | 第10-11页 |
| 1.2.2 关于 snoRNA 的识别 | 第11-12页 |
| 1.2.3 关于橡胶硬度的在线质量监控 | 第12页 |
| 1.3 本文的主要工作 | 第12-14页 |
| 第二章 相关机器学习算法以及生物学知识介绍 | 第14-24页 |
| 2.1 分类问题简介 | 第14-15页 |
| 2.2 多元线性回归分析 | 第15-16页 |
| 2.3 LASSO 及弹性网络的介绍 | 第16-17页 |
| 2.4 PLS 算法基本介绍 | 第17-19页 |
| 2.5 基于偏最小二乘相关算法介绍 | 第19-21页 |
| 2.5.1 核 PLS 方法的基本内容 | 第19-20页 |
| 2.5.2 PLS 与其他算法的结合 | 第20页 |
| 2.5.3 PLS 稀疏化处理 | 第20-21页 |
| 2.6 与本文相关的生物知识 | 第21-24页 |
| 2.6.1 DNA,RNA 中心法则简介 | 第21-22页 |
| 2.6.2 DNA 序列特征提取的含义以及方法介绍 | 第22-24页 |
| 第三章 一种新的迭代适应性稀疏偏最小二乘算法应用于原核基因组短编码序列识别 | 第24-41页 |
| 3.1 背景 | 第24页 |
| 3.2 问题描述 | 第24-26页 |
| 3.3 迭代适应性稀疏偏最小二乘算法 | 第26-28页 |
| 3.4 数据集和特征 | 第28-31页 |
| 3.4.1 数据集 | 第28-29页 |
| 3.4.2 特征集 | 第29-31页 |
| 3.5 模型评价方法 | 第31-32页 |
| 3.6 结果与讨论 | 第32-39页 |
| 3.6.1 IAPSLS 和其他原核基因探测工具的比较 | 第32-35页 |
| 3.6.2 IASPLS 与 Goli 的方法的比较 | 第35页 |
| 3.6.3 IASPLS 和其他分类器的比较 | 第35-37页 |
| 3.6.4 SPLS, ASPLS 和 IASPLS 的预测结果的比较 | 第37-39页 |
| 3.7 小结 | 第39-41页 |
| 第四章 基于 ESDA 的 snoRNAs 的识别 | 第41-54页 |
| 4.1 背景 | 第41-42页 |
| 4.2 问题描述 | 第42页 |
| 4.3 ESDA 算法的内容 | 第42-44页 |
| 4.3.1 弹性网络算法 | 第43-44页 |
| 4.3.2 SPSL 判别分析 | 第44页 |
| 4.4 数据和方法 | 第44-47页 |
| 4.4.1 数据集 | 第44-45页 |
| 4.4.2 分类应用的特征 | 第45-47页 |
| 4.5 结果和讨论 | 第47-52页 |
| 4.5.1 ESDA 和 SnoReport 的比较 | 第47-48页 |
| 4.5.2 ESDA 和其他分类器的比较 | 第48-50页 |
| 4.5.3 训练样本对于预测结果的影响 | 第50-51页 |
| 4.5.4 特征分析 | 第51-52页 |
| 4.5.5 系统实现 | 第52页 |
| 4.6 小结 | 第52-54页 |
| 第五章 一种橡胶硬度的在线质量监控和预测模型更新的方法 | 第54-59页 |
| 5.1 背景技术 | 第54页 |
| 5.2 Q 统计量及相关算法介绍 | 第54-55页 |
| 5.3 质量监控的具体流程 | 第55-57页 |
| 5.4 实验证明 | 第57-59页 |
| 第六章 结论 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-67页 |
| 致谢 | 第67页 |
