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 |