化学计量学方法在基因、蛋白质序列研究中的应用
| 中文摘要 | 第1-9页 |
| Abstract | 第9-12页 |
| 第一章 文献综述 | 第12-50页 |
| ·傅立叶变换 | 第12-15页 |
| ·离散傅立叶变换的定义 | 第13-14页 |
| ·快速傅立叶变换 | 第14页 |
| ·傅立叶变换的应用 | 第14-15页 |
| ·小波变换 | 第15-19页 |
| ·小波分析 | 第16-17页 |
| ·小波变换的应用 | 第17-19页 |
| ·聚类算法 | 第19-23页 |
| ·聚类 | 第20页 |
| ·聚类及聚类分析的定义 | 第20-21页 |
| ·聚类分析中的距离表示 | 第21-22页 |
| ·聚类算法的应用 | 第22-23页 |
| ·支持向量机 | 第23-31页 |
| ·支持向量机特点 | 第23-24页 |
| ·线性支持向量机 | 第24-26页 |
| ·非线性支持向量机 | 第26-27页 |
| ·L185VM | 第27-30页 |
| ·支持向量机的应用 | 第30-31页 |
| ·神经网络 | 第31-44页 |
| ·BP 网络 | 第32-37页 |
| ·BP 网络模型 | 第32-33页 |
| ·BP 网络的学习 | 第33-35页 |
| ·样本输入方式 | 第35-36页 |
| ·BP 网络的优缺点 | 第36-37页 |
| ·概率神经网络 | 第37-40页 |
| ·概率神经网络模型 | 第37-38页 |
| ·概率神经网络分类原理 | 第38-39页 |
| ·概率神经网络对样本数据的要求 | 第39-40页 |
| ·神经网络的应用 | 第40-44页 |
| ·模式信息处理和模式识别 | 第40-41页 |
| ·最优化问题计算 | 第41页 |
| ·复杂控制 | 第41页 |
| ·通信 | 第41页 |
| ·生物信息学中应用 | 第41-44页 |
| 参考文献 | 第44-50页 |
| 第二章 基于小波变换的系统发生关系研究 | 第50-78页 |
| ·引言 | 第50-54页 |
| ·数据和方法 | 第54-59页 |
| ·数据 | 第54-55页 |
| ·方法 | 第55-59页 |
| ·结果和讨论 | 第59-73页 |
| ·原核生物系统树的构建 | 第59-64页 |
| ·SARS 冠状病毒进化路径的研究 | 第64-73页 |
| ·结论 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 第三章 跨膜蛋白结构预测新方法 | 第78-93页 |
| ·引言 | 第78-80页 |
| ·方法和数据 | 第80-83页 |
| ·数据 | 第80页 |
| ·方法 | 第80-81页 |
| ·预测准确性评价指标 | 第81-83页 |
| ·结果与讨论 | 第83-90页 |
| ·结论 | 第90-91页 |
| 参考文献 | 第91-93页 |
| 第四章 联合多特征的基因预测算法 | 第93-117页 |
| ·引言 | 第93-95页 |
| ·方法 | 第95-102页 |
| ·核酸序列的数字化 | 第95页 |
| ·特征的计算 | 第95-99页 |
| ·建立编码区分类模型 | 第99页 |
| ·实验步骤 | 第99-100页 |
| ·数据 | 第100-102页 |
| ·结果和讨论 | 第102-114页 |
| ·人工神经网络模型 | 第102-108页 |
| ·BP 神经网络模型 | 第102-105页 |
| ·概率神经网络模型 | 第105-108页 |
| ·支持向量机分类模型 | 第108-112页 |
| ·模型验证 | 第112-114页 |
| ·参数分析 | 第112页 |
| ·基因预测 | 第112-114页 |
| ·结论 | 第114-115页 |
| 参考文献 | 第115-117页 |
| 硕士期间发表的论文 | 第117-118页 |
| 致谢 | 第118页 |
