| 摘要 | 第1-10页 |
| Abstract | 第10-16页 |
| 第1章 绪论 | 第16-25页 |
| ·课题的研究背景与意义 | 第16-19页 |
| ·膜蛋白类型概述 | 第19-21页 |
| ·国内外研究现状 | 第21-22页 |
| ·论文的主要研究内容和贡献 | 第22-24页 |
| ·论文的结构安排 | 第24-25页 |
| 第2章 膜蛋白的特征提取和分类算法及论文涉及理论方法 | 第25-37页 |
| ·引言 | 第25页 |
| ·膜蛋白序列的特征提取算法 | 第25-31页 |
| ·基于氨基酸组成和位置的特征提取方法 | 第26-27页 |
| ·基于氨基酸物理化学特性的特征提取方法 | 第27-30页 |
| ·其它特征提取方法 | 第30-31页 |
| ·膜蛋白分类算法 | 第31-33页 |
| ·基于统计的分类算法 | 第31-33页 |
| ·基于机器学习的算法 | 第33页 |
| ·分类模型构建的相关技术 | 第33-36页 |
| ·数据集构建 | 第33-34页 |
| ·模型检验 | 第34-35页 |
| ·模型评估 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于降维的组合特征提取算法在膜蛋白分类问题中的研究 | 第37-66页 |
| ·引言 | 第37页 |
| ·数据集 | 第37-38页 |
| ·二肽组成(Dipeptide Composition:DC) | 第38-39页 |
| ·最近邻居算法（KNN） | 第39-40页 |
| ·最近邻居算法 | 第39-40页 |
| ·最近邻居算法中近邻数目K 的取值 | 第40页 |
| ·基于二肽组成和主成分分析的组合特征提取算法的分类 | 第40-44页 |
| ·引言 | 第40页 |
| ·PCA 算法 | 第40-41页 |
| ·最近邻居算法中近邻数目K 的取值 | 第41-42页 |
| ·结果与讨论 | 第42-44页 |
| ·基于二肽组成和线性判别分析的组合特征提取算法的分类 | 第44-48页 |
| ·引言 | 第44-45页 |
| ·LDA 算法 | 第45页 |
| ·最近邻居算法中近邻数目K 的取值 | 第45-46页 |
| ·结果与讨论 | 第46-48页 |
| ·基于二肽组成和核心主成分分析的组合特征提取算法的分类 | 第48-53页 |
| ·引言 | 第48-49页 |
| ·KPCA 算法 | 第49-50页 |
| ·最近邻居算法中近邻数目K 的取值 | 第50-51页 |
| ·结果与讨论 | 第51-53页 |
| ·基于二肽组成和核心线性判别分析的组合特征提取算法的分类 | 第53-60页 |
| ·引言 | 第53-54页 |
| ·KLDA 算法 | 第54-56页 |
| ·最近邻居算法中近邻数目K 的取值 | 第56-57页 |
| ·结果与讨论 | 第57-60页 |
| ·基于二肽组成和邻域保护嵌入的组合特征提取算法的分类 | 第60-65页 |
| ·引言 | 第60页 |
| ·NPE 算法 | 第60-62页 |
| ·最近邻居算法中近邻数目K 的取值 | 第62页 |
| ·结果与讨论 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第4章 基于降维近似支持向量机的基因芯片数据分类器 | 第66-76页 |
| ·引言 | 第66-67页 |
| ·对分类模型的评价 | 第67-68页 |
| ·DRPSVM 基因芯片数据分类器 | 第68-73页 |
| ·近似支持向量机 | 第68-69页 |
| ·降维二次规划算法 | 第69-72页 |
| ·DRPSVM 学习算法 | 第72-73页 |
| ·实验与分析 | 第73-75页 |
| ·在UCI 数据集上的分类精度比较 | 第74页 |
| ·在CAMDA2000 上的基因芯片数据分类性能比较 | 第74页 |
| ·在colon 1,2 datasets 上的基因芯片数据分类性能比较 | 第74-75页 |
| ·结论 | 第75-76页 |
| 总结及工作展望 | 第76-79页 |
| 参考文献 | 第79-91页 |
| 致谢 | 第91-93页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第93页 |
