| 摘要 | 第5-8页 |
| ABSTRACT | 第8-11页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 论文研究的背景和意义 | 第14-15页 |
| 1.2 国内外研究现状分析 | 第15-18页 |
| 1.3 研究的主要内容和核心问题 | 第18页 |
| 1.4 论文的主要内容和结构 | 第18-19页 |
| 第二章 亚细胞蛋白质定位点数据集的建立 | 第19-29页 |
| 2.1 生物信息数据库概述 | 第19-21页 |
| 2.2 GENE ONTOLOGY (GO)数据库概述 | 第21-25页 |
| 2.3 蛋白质数据集的筛选 | 第25-26页 |
| 2.4 蛋白质数据集的进一步处理 | 第26-29页 |
| 第三章 数据挖掘技术在亚细胞定位点预测中的研究 | 第29-52页 |
| 3.1 蛋白质亚细胞定位点预测过程综述 | 第29页 |
| 3.2 蛋白质序列信息的提取 | 第29-40页 |
| 3.2.1 蛋白序列的离散化表示 | 第31-36页 |
| 3.2.2 Gene Ontology (GO)数据库特征 | 第36-40页 |
| 3.3 亚细胞预测算法的实现 | 第40-48页 |
| 3.3.1 KNN 算法 | 第41-42页 |
| 3.3.2 CD 算法 | 第42-43页 |
| 3.3.3 SVM 算法 | 第43-45页 |
| 3.3.4 集成算法 | 第45-48页 |
| 3.4 亚细胞预测性能估计 | 第48-50页 |
| 3.4.1 预测方法评价概述 | 第48-49页 |
| 3.4.2 亚细胞定位预测评价 | 第49-50页 |
| 3.5 网上生物信息学服务平台 | 第50-52页 |
| 第四章 基于DEMPSTER-SHAFER 算法的亚细胞定位预测研究 | 第52-67页 |
| 4.1 融合理论概述 | 第52-57页 |
| 4.1.1 基于最大后验概率的多模型融合 | 第52-54页 |
| 4.1.2 基于似然概率融合方法的多模型识别融合 | 第54页 |
| 4.1.3 Dempster-Shafer 证据基本理论 | 第54-57页 |
| 4.2 基于SVM 的改进DEMPSTER-SHAFER 合成方法 | 第57-64页 |
| 4.2.1 基于SVM 的改进Dempster-Shafer 合成方法 | 第57-60页 |
| 4.2.2 基于SVM 的改进Dempster-Shafer 合成方法实验结果与讨论 | 第60-62页 |
| 4.2.3 基于改进D-S 的亚细胞定位点预测实验结果与讨论 | 第62-64页 |
| 4.3 基于改进融合方法的亚细胞多定位点预测算法 | 第64-67页 |
| 4.3.1 基于亚细胞多定位点预测预测 | 第64-66页 |
| 4.3.2 基于改进融合方法的亚细胞多定位点预测算法的结果和讨论 | 第66-67页 |
| 第五章 总结与展望 | 第67-70页 |
| 5.1 全部工作的总结 | 第67-68页 |
| 5.2 以后工作的展望 | 第68-70页 |
| 附录1 SWISS-PROT | 第70-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间发表的论文 | 第81页 |
