多分类器系统在蛋白质功能预测方面的应用
| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-10页 |
| ·课题的研究意义 | 第7页 |
| ·课题的研究现状以及应用前景 | 第7-8页 |
| ·论文内容的组织安排 | 第8-10页 |
| 第2章 多分类器系统的基础理论 | 第10-29页 |
| ·数据挖掘与分类 | 第10-11页 |
| ·传统的分类技术及其度量 | 第11-20页 |
| ·传统分类技术的种类 | 第11-19页 |
| ·分类器的准确性度量方法 | 第19-20页 |
| ·多分类器系统 | 第20-29页 |
| ·多分类器系统的架构 | 第20-22页 |
| ·多分类器系统的融合策略 | 第22-27页 |
| ·成员分类器的多样性的研究 | 第27-29页 |
| 第3章 蛋白质功能预测与机器学习方法 | 第29-37页 |
| ·蛋白质功能预测与机器学习 | 第29-31页 |
| ·机器学习方法与蛋白质功能预测的框架图 | 第29-30页 |
| ·研究中常用的蛋白质数据库 | 第30-31页 |
| ·监督方法在蛋白质功能预测上的应用 | 第31-34页 |
| ·半监督方法在蛋白质功能预测上的应用 | 第34-35页 |
| ·无监督方法在蛋白质功能预测上的应用 | 第35-37页 |
| 第4章 多分类器系统的实现及实验分析 | 第37-54页 |
| ·基于异源训练集的成员分类器的生成策略 | 第37-39页 |
| ·选取异源训练集的基本思想及方法 | 第37-38页 |
| ·生成分类器的过程 | 第38-39页 |
| ·基于多样性与精确度结合的分类器选取策略 | 第39-42页 |
| ·成员分类器的多样性的自行定义 | 第39-40页 |
| ·分类器选择的算法过程 | 第40-42页 |
| ·基于动态加权的分类器融合策略 | 第42-43页 |
| ·WEKA 平台简介 | 第43-47页 |
| ·WEKA 数据挖掘系统的过程 | 第44-45页 |
| ·WEKA 源代码简介及其特点 | 第45-47页 |
| ·实验数据 | 第47-51页 |
| ·G 蛋白偶联受体的简介 | 第47-49页 |
| ·GPCRs 数据的预处理 | 第49-51页 |
| ·实验结果分析 | 第51-54页 |
| 第5章 总结和展望 | 第54-56页 |
| ·工作总结 | 第54页 |
| ·工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 摘要 | 第60-62页 |
| Abstract | 第62-64页 |
