| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 数据集的建立 | 第13页 |
| 1.3.2 特征提取方法 | 第13-15页 |
| 1.3.3 蛋白质亚细胞多位点定位预测算法 | 第15-16页 |
| 1.4 主要内容及结构安排 | 第16-18页 |
| 1.4.1 主要研究内容 | 第16-17页 |
| 1.4.2 结构安排 | 第17-18页 |
| 第二章 蛋白质亚细胞定位预测 | 第18-32页 |
| 2.1 蛋白质亚细胞定位简介 | 第18-19页 |
| 2.2 蛋白质序列特征提取方法 | 第19-22页 |
| 2.2.1 蛋白质分选信号 | 第20页 |
| 2.2.2 基因本体（GO） | 第20-21页 |
| 2.2.3 功能域注释 | 第21页 |
| 2.2.4 氨基酸组成和理化性质 | 第21-22页 |
| 2.3 多标签学习算法 | 第22-28页 |
| 2.3.1 多标签k近邻算法（ML-KNN） | 第23-25页 |
| 2.3.2 反向传播神经网络多标签算法（BP-MLL） | 第25-27页 |
| 2.3.3 多标签支持向量机算法（Rank-SVM） | 第27-28页 |
| 2.4 分类算法的评价指标 | 第28-30页 |
| 2.5 多标签分类算法的评价指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于理化特征融合的蛋白质亚细胞定位预测 | 第32-48页 |
| 3.1 数据集的选取 | 第33-34页 |
| 3.2 多位点数据集特征提取方法 | 第34-44页 |
| 3.2.1 熵密度 | 第34-35页 |
| 3.2.2 伪氨基酸组成（PseAAC） | 第35-38页 |
| 3.2.3 两性伪氨基酸组成（AmPseAAC） | 第38-40页 |
| 3.2.4 新型特征提取方法 | 第40-43页 |
| 3.2.5 特征融合 | 第43-44页 |
| 3.3 多标签学习算法 | 第44-46页 |
| 3.3.1 多标签k近邻算法（ML-KNN） | 第44-45页 |
| 3.3.2 改进版的多标签k近邻算法（wML-KNN） | 第45-46页 |
| 3.4 预测评估 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 实验结果对比分析 | 第48-54页 |
| 4.1 实验一 | 第48-50页 |
| 4.2 实验二 | 第50-51页 |
| 4.3 实验三 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 结束语 | 第54-56页 |
| 5.1 全文总结 | 第54页 |
| 5.2 研究设想和展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 附录 | 第62页 |
