首页--生物科学论文--生物化学论文--蛋白质论文

多分类机器学习及其在蛋白质结构类预测中的应用

摘要第1-7页
ABSTRACT第7-9页
目录第9-12页
第1章 绪论第12-18页
   ·研究背景及研究意义第12-14页
     ·研究背景第12-13页
     ·研究意义第13-14页
   ·国内外研究现状第14-15页
   ·论文的主要内容及安排第15-18页
     ·论文的主要内容第15-16页
     ·本研究的创新点第16-17页
     ·论文的主要安排第17-18页
第2章 蛋白质序列特征信息的提取及融合第18-32页
   ·引言第18页
   ·蛋白质相关的理论基础第18-21页
     ·蛋白质的组成成分第18-19页
     ·蛋白质物理化学性质第19-20页
     ·蛋白质的结构层次和结构分类第20-21页
   ·常用的蛋白质数据库及数据集第21-23页
     ·蛋白质数据库第21-22页
     ·蛋白质数据集第22-23页
   ·蛋白质序列的特征提取第23-27页
     ·基于氨基酸组成和位置第23-24页
     ·基于氨基酸物理化学性质第24-26页
     ·基于蛋白质二级结构信息第26-27页
   ·新的序列特征信息提取第27-29页
     ·k-字统计频率第27页
     ·k-片段位置分布第27-28页
     ·多特征信息融合第28-29页
   ·分类效果的比较第29-31页
     ·与其它方法比较第29-30页
     ·不同性质特征信息比较第30-31页
   ·本章小结第31-32页
第3章 蛋白质序列特征信息的选择第32-41页
   ·引言第32页
   ·基于主成分分析法的特征信息提取方法第32-34页
     ·主成分分析法第32-34页
   ·基于遗传算法的特征信息选择算法第34-37页
     ·遗传算法第35-37页
   ·蛋白质不同性质特征信息组合模型第37页
   ·实验结果及讨论第37-40页
     ·实验参数的设定第37-38页
     ·特征挑选对分类性能的影响第38-39页
     ·特征信息挑选结果第39-40页
   ·本章小结第40-41页
第4章 基于多分类器机器学习的蛋白质结构类预测研究第41-55页
   ·引言第41-42页
   ·常见的单分类器学习法第42-44页
     ·人工神经网络第42-43页
     ·Bayes 算法第43页
     ·SVM 算法第43-44页
   ·常见的多分类器融合法第44-47页
     ·多数投票法(Vot)第45-46页
     ·Bayes 规则第46页
     ·平均值算法(Aver)第46页
     ·加权平均值算法(AP)第46-47页
   ·Ma-Ada 多分类器融合第47-49页
     ·融合算法的原理第47-48页
     ·融合算法的实现第48-49页
   ·模型的检验和评估第49-50页
     ·模型的检验第49页
     ·模型的评价指标第49-50页
   ·实验结果及讨论第50-54页
     ·Ma_Ada 算法的自检验第51页
     ·方法性能评价第51-53页
     ·分类融合算法评价第53-54页
     ·分类稳定性评价第54页
   ·本章小结第54-55页
第5章 总结与展望第55-57页
致谢第57-58页
参考文献第58-62页
附录第62页

论文共62页,点击 下载论文
上一篇:基于希尔伯特空间构造独立性度量辨识基因网研究
下一篇:基于加速度计的海底地震数据采集系统研制