| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-22页 |
| ·研究背景 | 第10-14页 |
| ·计算生物学的产生及发展 | 第10-11页 |
| ·蛋白质结构预测 | 第11-12页 |
| ·需要研究新的预测方法 | 第12-14页 |
| ·研究现状 | 第14-18页 |
| ·实验统计法 | 第14-15页 |
| ·最近邻法（Nearest Neighbor） | 第15页 |
| ·基于隐马尔夫链（Hidden Markov Models） | 第15页 |
| ·神经网络（Neural Network） | 第15-16页 |
| ·基于核函数的方法（Kernel-Based Methods） | 第16页 |
| ·预测方法的汇总与分析 | 第16-17页 |
| ·在计算生物学中SVM面临的问题 | 第17-18页 |
| ·本文主要研究内容 | 第18-20页 |
| ·基于粒计算的支持向量机（SVM_GC）技术 | 第18-19页 |
| ·规则生成与预测理解技术 | 第19页 |
| ·基于遗传算法和惊奇模式的加权主动学习技术 | 第19-20页 |
| ·论文工作的主要成果 | 第20-21页 |
| ·论文的组织结构 | 第21-22页 |
| 第二章 相关研究基础 | 第22-36页 |
| ·蛋白质结构 | 第22-23页 |
| ·蛋白质结构预测 | 第23-26页 |
| ·蛋白质二级结构预测 | 第24-25页 |
| ·蛋白质局部三级结构预测 | 第25-26页 |
| ·统计学习理论 | 第26-30页 |
| ·学习问题的表示 | 第26-27页 |
| ·经验风险最小化 | 第27页 |
| ·统计学习理论的核心内容 | 第27-30页 |
| ·学习过程一致性的条件 | 第28页 |
| ·学习VC 维与泛化性的界 | 第28-29页 |
| ·结构风险最小化原则 | 第29-30页 |
| ·支持向量机 | 第30-35页 |
| ·线性支持向量机－最优分类面 | 第30-32页 |
| ·线性不可分支持向量机－软分类间隔 | 第32-33页 |
| ·非线性支持向量机－核函数 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于粒计算的支持向量机（SVM_GC） | 第36-48页 |
| ·问题的提出 | 第36-37页 |
| ·相关的研究 | 第37-39页 |
| ·支持向量机中大容量数据快速处理方法 | 第37-39页 |
| ·(QP)问题分解 | 第37-38页 |
| ·训练样本选择 | 第38-39页 |
| ·支持向量机中多分类问题处理方法 | 第39页 |
| ·基于粒计算的支持向量机（SVM_GC）模型 | 第39-46页 |
| ·粒计算与信息粒 | 第40-43页 |
| ·在信息粒中建立SVM_GC 模型 | 第43-44页 |
| ·预测精度的计算及粒簇组的划分 | 第43-44页 |
| ·SVM_GC 模型的建立算法 | 第44页 |
| ·根据SVM_GC 模型进行预测 | 第44-46页 |
| ·实验评价 | 第46-47页 |
| ·训练数据集与独立的测试集 | 第46页 |
| ·结果与分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 规则生成与预测理解技术 | 第48-74页 |
| ·引言 | 第48-49页 |
| ·相关研究 | 第49-50页 |
| ·支持向量机与决策树相结合的规则生成算法 | 第50-53页 |
| ·决策树 | 第50-51页 |
| ·SVM_DT 算法描述 | 第51-53页 |
| ·蛋白质二级结构预测规则生成 | 第53-61页 |
| ·特征空间转换 | 第53-54页 |
| ·实验设置与结果分析 | 第54-58页 |
| ·具有生物意义的蛋白质二级结构预测规则集 | 第58-61页 |
| ·跨膜蛋白质片段结构预测规则生成 | 第61-67页 |
| ·数据集与特征空间转换方案 | 第61-62页 |
| ·跨膜蛋白质片段结构预测规则生成实验 | 第62-64页 |
| ·用于跨膜蛋白质二级结构预测理解的规则集 | 第64-67页 |
| ·规则聚集和超级规则的生成 | 第67-72页 |
| ·超级规则生成算法 | 第67-70页 |
| ·实验结果与分析 | 第70-72页 |
| ·本章小结 | 第72-74页 |
| 第五章 基于遗传算法和惊奇模式的加权主动学习 | 第74-85页 |
| ·引言 | 第74页 |
| ·相关研究 | 第74-75页 |
| ·基于遗传算法和惊奇模式的加权主动学习 | 第75-80页 |
| ·加权支持向量机 | 第75-76页 |
| ·惊奇模式的产生 | 第76-78页 |
| ·样本权重的计算 | 第78页 |
| ·遗传算法优化选择参数 | 第78-80页 |
| ·加权主动学习模型(GA_SP_WSVM) | 第80-84页 |
| ·模型的建立 | 第80-83页 |
| ·实验与结果分析 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第六章 总结与展望 | 第85-88页 |
| ·论文总结 | 第85-86页 |
| ·进一步的研究工作 | 第86-88页 |
| 参考文献 | 第88-95页 |
| 附录一：攻读博士学位期间发表及录用的论文 | 第95-97页 |
| 附录二：攻读博士学位期间所参加的研究项目 | 第97页 |