基于卷积神经网络的序列特异性预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文的研究意义与所做工作 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 第二章 生物学应用背景 | 第11-16页 |
| 2.1 模体的概念 | 第11-12页 |
| 2.2 模体的表示方法 | 第12-15页 |
| 2.2.1 一致模型表示法 | 第12-13页 |
| 2.2.2 位置-权重矩阵模型表示法 | 第13-14页 |
| 2.2.3 序列logo表示法 | 第14-15页 |
| 2.3 模体序列特异性的评价方法 | 第15页 |
| 2.4 本章小结 | 第15-16页 |
| 第三章 深度学习方法 | 第16-34页 |
| 3.1 概述 | 第16-17页 |
| 3.2 人工神经网络 | 第17-25页 |
| 3.2.1 神经元 | 第17-18页 |
| 3.2.2 神经元网络 | 第18-19页 |
| 3.2.3 人工神经元网络模型 | 第19-22页 |
| 3.2.4 反向传播算法 | 第22-25页 |
| 3.3 深度神经网络 | 第25-26页 |
| 3.4 卷积神经网络 | 第26-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 序列特异性预测模型的研究与实现 | 第34-46页 |
| 4.1 模型实现框架 | 第34-35页 |
| 4.2 数据集选取 | 第35-37页 |
| 4.3 校准参数选取 | 第37-39页 |
| 4.4 基于卷积神经网络的模型设计 | 第39-45页 |
| 4.4.1 前向传播计算 | 第40-43页 |
| 4.4.2 后向传播计算 | 第43-44页 |
| 4.4.3 训练损失函数 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 预测结果的验证与分析 | 第46-52页 |
| 5.1 评价指标 | 第46-49页 |
| 5.1.1 皮尔逊积矩相关系数 | 第46-47页 |
| 5.1.2 斯皮尔曼等级相关系数 | 第47页 |
| 5.1.3 ROC曲线 | 第47-49页 |
| 5.2 预测结果分析 | 第49-52页 |
| 5.2.1 模体预测结果 | 第49-50页 |
| 5.2.2 ROC曲线分析 | 第50-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
