| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 生物序列相似性分析相关研究 | 第11-12页 |
| 1.2 生物序列特征表示的相关研究 | 第12-13页 |
| 1.3 机器学习及其在生物序列分析中的应用研究 | 第13页 |
| 1.4 相似性学习及其在生物序列分析中的应用研究 | 第13-16页 |
| 第二章 一个新的蛋白质序列特征表示 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 方法 | 第16-21页 |
| 2.2.1 蛋白质序列 3D曲线图 | 第16-19页 |
| 2.2.2 蛋白质序列数字特征表示 | 第19-20页 |
| 2.2.3 相似性/相异性分析 | 第20-21页 |
| 2.2.4 评价方法 | 第21页 |
| 2.3 数据实验与结果分析 | 第21-28页 |
| 2.3.1 9个物种的3维曲线图 | 第21-23页 |
| 2.3.2 9个物种的相似度/相异度分析 | 第23-26页 |
| 2.3.3 算法比较结果与分析 | 第26-28页 |
| 2.4 小结 | 第28-30页 |
| 第三章 一个有保障的马氏相似性学习框架 | 第30-47页 |
| 3.1 引言 | 第30-31页 |
| 3.2 预备知识 | 第31-37页 |
| 3.2.1 支持向量机（Support Vector Machine:SVM） | 第31-33页 |
| 3.2.2 核方法 | 第33-35页 |
| 3.2.3 k-最邻近分类算法（k nearest neighbors algorithm: KNN） | 第35-36页 |
| 3.2.4 “好”相似函数理论 | 第36-37页 |
| 3.3 GMSL构建 | 第37-39页 |
| 3.4 GMSL分类器 | 第39-40页 |
| 3.5 数据点配对策略 | 第40-41页 |
| 3.6 一般化GMSL | 第41-43页 |
| 3.7 算法比较结果与分析 | 第43-46页 |
| 3.8 小结 | 第46-47页 |
| 第四章 算法评价 | 第47-53页 |
| 4.1 数字特征评价与分析 | 第47-50页 |
| 4.2 相似性尺度评价与分析 | 第50-52页 |
| 4.3 小结 | 第52-53页 |
| 结论与讨论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录 1 | 第59-60页 |
| 附录 2 | 第60-75页 |
| 致谢 | 第75-76页 |
| 作者简介 | 第76页 |