| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 引言 | 第11-19页 |
| ·研究背景及意义 | 第11-12页 |
| ·蛋白质结构简介 | 第12-15页 |
| ·蛋白质组成 | 第12-13页 |
| ·蛋白质的结构层次 | 第13-15页 |
| ·国内外研究现状 | 第15-17页 |
| ·同源建模方法 | 第15-16页 |
| ·折叠识别方法 | 第16页 |
| ·从头预测方法 | 第16页 |
| ·机器学习算法 | 第16-17页 |
| ·本文研究提纲 | 第17-19页 |
| 第二章 蛋白质特征融合 | 第19-29页 |
| ·引言 | 第19-20页 |
| ·常用的特征提取方法 | 第20-26页 |
| ·氨基酸组成模型(AAC)[7] | 第20页 |
| ·二肽组成模型[8] | 第20-21页 |
| ·氨基酸理化性质组成模型(PCC) | 第21页 |
| ·伪氨基酸组成模型(PseAA) | 第21-23页 |
| ·重现量化分析(recurrence quantification analysis, RQA)[10] | 第23-26页 |
| ·蛋白质特征融合方法 | 第26-29页 |
| ·蛋白质特征选择 | 第26页 |
| ·特征融合方式 | 第26-29页 |
| 第三章 用于蛋白质三级结构预测的分类算法 | 第29-41页 |
| ·引言 | 第29页 |
| ·人工神经网络(ANN) | 第29-32页 |
| ·神经网络分类算法的框架 | 第29-31页 |
| ·神经网络的参数优化算法 | 第31-32页 |
| ·柔性神经树 | 第32-36页 |
| ·柔性神经元 | 第33页 |
| ·树结构优化 | 第33-36页 |
| ·集成学习理论 | 第36-38页 |
| ·单个分类器的生成 | 第37页 |
| ·集成分类器结论生成的方法 | 第37-38页 |
| ·分类器的交叉验证 | 第38页 |
| ·分类器分类精度的评价 | 第38-41页 |
| 第四章 基于 ECOC 分类框架的特征融合 | 第41-49页 |
| ·进行蛋白质三级结构的一般步骤 | 第41页 |
| ·进行蛋白质三级结构预测的常用数据集 | 第41-42页 |
| ·多分类问题的解决方案 | 第42-45页 |
| ·一对一分类模式 | 第42页 |
| ·一对多分类模式 | 第42-43页 |
| ·BT 模型 | 第43页 |
| ·ECOC 分类模型 | 第43-45页 |
| ·特征融合实验 | 第45-49页 |
| ·实验数据的选择 | 第45页 |
| ·ECOC 分类模型的建立 | 第45-46页 |
| ·特征选择 | 第46页 |
| ·特征融合 | 第46-47页 |
| ·融合后的特征在 ECOC 模型的分类 | 第47-48页 |
| ·结果分析 | 第48-49页 |
| 第五章 基于 FNT 的蛋白质三级结构预测 | 第49-53页 |
| ·实验数据的选取 | 第49页 |
| ·分类模型的设计 | 第49-50页 |
| ·实验结果及分析 | 第50-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·全文总结 | 第53-54页 |
| ·前景展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 附录 | 第61页 |