基于进化神经网络的真核生物基因启动子位点确定模型的建立
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 1 绪论 | 第8-12页 |
| 1．1 本课题研究背景 | 第8页 |
| 1．2 国内外的研究现状 | 第8-10页 |
| 1．3 遗传算法和人工神经网络简介 | 第10-11页 |
| 1．3．1 遗传算法简介 | 第10页 |
| 1．3．2 人工神经网络简介 | 第10-11页 |
| 1．4 本论文的工作 | 第11-12页 |
| 2 人工神经网络概述 | 第12-22页 |
| 2．1 生物神经网络 | 第12-13页 |
| 2．2 人工神经网络基础 | 第13-14页 |
| 2．3 BP神经网络的算法描述 | 第14-18页 |
| 2．3．1 BP神经网络的结构 | 第14页 |
| 2．3．2 BP神经网络的学习算法 | 第14-18页 |
| 2．4 BP神经网络的设计 | 第18-20页 |
| 2．4．1 BP神经网络的层数 | 第19页 |
| 2．4．2 隐含层神经元的数目 | 第19页 |
| 2．4．3 初始连接权值的选取 | 第19页 |
| 2．4．4 学习速率的选取 | 第19-20页 |
| 2．4．5 期望误差的设置 | 第20页 |
| 2．5 BP神经网络的限制和不足 | 第20-22页 |
| 3 遗传算法概述 | 第22-33页 |
| 3．1 遗传算法的生物学背景 | 第22页 |
| 3．2 遗传算法的结构 | 第22-23页 |
| 3．3 遗传算法的基本特征 | 第23-24页 |
| 3．4 遗传算法的编码和解码 | 第24-27页 |
| 3．5 遗传算法模型的理论研究 | 第27-31页 |
| 3．5．1 广义遗传算法和传统遗传算法 | 第27-28页 |
| 3．5．2 遗传算法的数学理论 | 第28-31页 |
| 3．6 遗传算法模型现存的问题和发展方向 | 第31-33页 |
| 4 基于神经网络和遗传算法的结合算法研究 | 第33-47页 |
| 4．1 人工神经网络和遗传算法的相容性 | 第33-34页 |
| 4．1．1 遗传算法在神经网络中的应用 | 第33-34页 |
| 4．1．2 神经网络在遗传算法中的应用 | 第34页 |
| 4．2 神经网络和遗传算法的结合方式 | 第34-35页 |
| 4．3 已有的神经网络和遗传算法的结合算法 | 第35-37页 |
| 4．3．1 融合结合算法 | 第35-36页 |
| 4．3．2 GA_BP算法 | 第36页 |
| 4．3．3 BP_GA算法 | 第36-37页 |
| 4．4 结合算法与BP神经网络算法和遗传算法对比 | 第37-38页 |
| 4．5 新结合算法的理论改进和突破 | 第38-40页 |
| 4．6 几类新方法实现结合算法 | 第40-47页 |
| 5 真核生物启动子进化网络模型的实现 | 第47-63页 |
| 5．1 真核生物启动子的保守序列 | 第47-48页 |
| 5．2 碱基序列的编码方案 | 第48-52页 |
| 5．3 进化神经网络模型 | 第52-56页 |
| 5．3．1 进化神经网络的网络结构 | 第52页 |
| 5．3．2 遗传算法中选择算子的设定 | 第52-53页 |
| 5．3．3 遗传算法中交叉算子的设定 | 第53-54页 |
| 5．3．4 遗传算法中变异算子的设定 | 第54页 |
| 5．3．5 遗传算法参数的选择 | 第54-55页 |
| 5．3．6 进化神经网络模型的设计 | 第55-56页 |
| 5．4 进化神经网络模型的建立 | 第56-57页 |
| 5．5 进化神经网络模型的仿真和预测 | 第57-63页 |
| 5．5．1 进化神经网络模型的仿真程序设计 | 第57页 |
| 5．5．2 利用进化神经网络模型进行预测 | 第57-61页 |
| 5．5．3 讨论 | 第61-63页 |
| 6 结论与展望 | 第63-65页 |
| 6．1 结论 | 第63页 |
| 6．2 对未来工作的展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-67页 |
