| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景 | 第17-18页 |
| 1.2 研究目的和意义 | 第18页 |
| 1.3 国内外现状 | 第18-19页 |
| 1.4 研究的可行性 | 第19-21页 |
| 1.5 本文主要工作及内容安排 | 第21-23页 |
| 第二章 基于16S rRNA序列可变区的微生物物种鉴定 | 第23-39页 |
| 2.1 基于16S rRNA序列可变区物种鉴定的难点分析 | 第23-24页 |
| 2.2 数据准备与预处理 | 第24-29页 |
| 2.2.1 16S r RNA序列的可变区提取 | 第24-27页 |
| 2.2.2 无标签测试数据的处理 | 第27页 |
| 2.2.3 神经网络输入预处理 | 第27-29页 |
| 2.3 基于机器学习算法的微生物物种鉴定 | 第29-32页 |
| 2.3.1 基于机器学习算法的微生物物种鉴定方案 | 第29-30页 |
| 2.3.2 基于标签完整数据的微生物物种鉴定 | 第30-31页 |
| 2.3.3 基于标签不完整数据的微生物物种鉴定 | 第31-32页 |
| 2.4 基于MLP的微生物物种鉴定 | 第32-34页 |
| 2.4.1 MLP网络的模型 | 第32-33页 |
| 2.4.2 MLP网络的训练过程 | 第33-34页 |
| 2.5 基于CNN的微生物物种鉴定 | 第34-37页 |
| 2.5.1 CNN网络的模型 | 第34-35页 |
| 2.5.2 CNN网络的训练过程 | 第35-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于标签完整数据的微生物物种鉴定 | 第39-49页 |
| 3.1 实验准备 | 第39-41页 |
| 3.1.1 序列处理之滑动窗窗宽的选择 | 第39页 |
| 3.1.2 物种鉴定模型中梯度下降算法的选择 | 第39-41页 |
| 3.1.3 物种鉴定模型中激活函数的选择 | 第41页 |
| 3.2 基于层次化MLP与基于MLP的物种鉴定 | 第41-43页 |
| 3.2.1 过拟合测试 | 第41-43页 |
| 3.2.2 基于层次化MLP与基于MLP的物种鉴定性能比较 | 第43页 |
| 3.3 基于层次化CNN与基于CNN的物种鉴定 | 第43-47页 |
| 3.3.1 单尺度卷积核对性能的影响 | 第43-44页 |
| 3.3.2 卷积核组合对性能的影响 | 第44-45页 |
| 3.3.3 卷积核的数目对性能的影响 | 第45页 |
| 3.3.4 过拟合测试 | 第45-46页 |
| 3.3.5 基于层次化CNN与基于CNN的物种鉴定性能比较 | 第46-47页 |
| 3.4 与其他物种鉴定算法的性能比较 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于标签不完整数据的微生物物种鉴定 | 第49-57页 |
| 4.1 序列处理之滑动窗窗宽的选择 | 第49页 |
| 4.2 基于CNN的微生物物种鉴定实验 | 第49-54页 |
| 4.2.1 单尺度卷积核对性能的影响 | 第50-51页 |
| 4.2.2 卷积核组合对性能的影响 | 第51-52页 |
| 4.2.3 卷积核的数目对性能的影响 | 第52页 |
| 4.2.4 过拟合测试 | 第52-54页 |
| 4.3 与其他物种鉴定算法的性能比较 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 基于集成学习模型的微生物物种鉴定 | 第57-65页 |
| 5.1 基于16S rRNA序列可变区的物种鉴定集成模型 | 第57-58页 |
| 5.2 集成模型的测试数据集处理 | 第58-59页 |
| 5.3 与 16S Classifier的性能比较 | 第59-60页 |
| 5.4 样本群落组成分析 | 第60-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
