摘要 | 第1-4页 |
Abstract | 第4-8页 |
第一章 绪论 | 第8-16页 |
·生物信息学 | 第8页 |
·蛋白质结构 | 第8-11页 |
·多聚脯氨酸二型螺旋结构 | 第9-10页 |
·PPII螺旋结构特性 | 第10-11页 |
·蛋白质结构预测 | 第11-12页 |
·蛋白质结构预测的意义与依据 | 第11页 |
·蛋白质二级结构预测 | 第11-12页 |
·PPII螺旋结构预测现状 | 第12页 |
·相关数据库 | 第12-14页 |
·蛋白质数据库概述 | 第12-13页 |
·蛋白质结构数据库 | 第13页 |
·PISCES服务器 | 第13-14页 |
·本论文的主要研究内容 | 第14页 |
参考文献 | 第14-16页 |
第二章 机器学习系统 | 第16-24页 |
·机器学习 | 第16-17页 |
·学习系统的基本结构 | 第16页 |
·学习问题的界定 | 第16-17页 |
·机器学习方法 | 第17-19页 |
·从数据库中发现知识(KDD) | 第17页 |
·人工神经网络(ANN) | 第17-18页 |
·支持向量机(SVM) | 第18页 |
·贝叶斯网络(BBN) | 第18页 |
·遗传算法(GA) | 第18页 |
·聚类 | 第18-19页 |
·输入/输出编码 | 第19-20页 |
·输入编码 | 第19-20页 |
·直接编码 | 第19-20页 |
·间接编码 | 第20页 |
·输出编码 | 第20页 |
·预测的性能评价方法 | 第20-22页 |
参考文献: | 第22-24页 |
第三章 蛋白质序列的预处理 | 第24-34页 |
·蛋白质实体提取 | 第24-25页 |
·PPII螺旋结构定义与提取 | 第25-28页 |
·DSSP程序简介 | 第25页 |
·PPII螺旋结构定义 | 第25-26页 |
·PPII螺旋结构的提取 | 第26-28页 |
·数据集分析 | 第28-31页 |
·PPII螺旋结构特征分析 | 第28-30页 |
·数据集可学习性分析 | 第30-31页 |
·本章小结 | 第31-32页 |
参考文献: | 第32-34页 |
第四章 基于人工神经网络的PPII螺旋结构预测 | 第34-46页 |
·引言 | 第34页 |
·BP网络模型 | 第34-37页 |
·BP算法步骤 | 第34-36页 |
·BP算法参数 | 第36-37页 |
·BP网络预测 | 第37-44页 |
·编码方法 | 第37-38页 |
·预测性能评价方法 | 第38页 |
·实验与结果分析 | 第38-44页 |
·本章小结 | 第44页 |
参考文献: | 第44-46页 |
第五章 基于遗传神经网络的PPII螺旋结构预测 | 第46-56页 |
·引言 | 第46页 |
·遗传算法 | 第46-47页 |
·遗传算法的基本原理 | 第46-47页 |
·遗传算法的步骤 | 第47页 |
·遗传神经网络设计 | 第47-53页 |
·遗传神经网络流程 | 第47-48页 |
·编码方法 | 第48-49页 |
·适应度函数的确定 | 第49页 |
·遗传算子的确定 | 第49-51页 |
·控制参数的确定 | 第51-52页 |
·实验方案 | 第52-53页 |
·实验结果与分析 | 第53-54页 |
·本章小结 | 第54页 |
参考文献: | 第54-56页 |
第六章 基于支持向量机的PPII螺旋结构预测 | 第56-68页 |
·引言 | 第56页 |
·支持向量机理论 | 第56-61页 |
·线性支持向量机 | 第56-58页 |
·非线性支持向量机 | 第58-59页 |
·不可分情况的处理 | 第59-60页 |
·支持向量机的主要优点 | 第60-61页 |
·问题描述与优化算法 | 第61-63页 |
·问题描述 | 第61页 |
·优化算法的选取 | 第61-62页 |
·SMO算法步骤 | 第62-63页 |
·实验结果与分析 | 第63-66页 |
·采用Matlab中qp()程序包作为SVM的优化方法 | 第63-64页 |
·采用SMO作为SVM的优化方法 | 第64-65页 |
·结果比较 | 第65-66页 |
·本章小结 | 第66页 |
参考文献: | 第66-68页 |
第七章 总结与展望 | 第68-70页 |
·总结 | 第68-69页 |
·展望 | 第69-70页 |
附录1 氨基酸表 | 第70-71页 |
附录2 PPII螺旋结构的残基序列片段 | 第71-75页 |
附录3 缩写表 | 第75-76页 |
附录4 读研期间发表和收录的学术论文 | 第76-77页 |
致谢 | 第77页 |