| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10-11页 |
| 1.3 国内外研究现状及存在的问题 | 第11-12页 |
| 1.3.1 国内外研究现状 | 第11页 |
| 1.3.2 研究中存在的问题 | 第11-12页 |
| 1.4 实验条件介绍 | 第12页 |
| 1.5 本文所做主要工作 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-27页 |
| 2.1 化合物和蛋白质的相互作用 | 第14页 |
| 2.2 深度学习的背景 | 第14-17页 |
| 2.2.1 机器学习 | 第14-15页 |
| 2.2.2 表示学习 | 第15-16页 |
| 2.2.3 深度学习的历史 | 第16-17页 |
| 2.3 人工神经网络 | 第17-25页 |
| 2.3.1 人工神经网络的概念 | 第17-18页 |
| 2.3.2 人工神经网络的学习过程 | 第18-19页 |
| 2.3.3 前向传播算法 | 第19-20页 |
| 2.3.4 无约束最优化算法 | 第20-21页 |
| 2.3.5 梯度下降算法 | 第21页 |
| 2.3.6 牛顿法 | 第21-22页 |
| 2.3.7 人工神经网络中的优化 | 第22-23页 |
| 2.3.8 反向传播算法 | 第23-25页 |
| 2.4 深度学习目前的问题 | 第25-26页 |
| 2.4.1 梯度消失 | 第25页 |
| 2.4.2 过拟合 | 第25-26页 |
| 2.4.3 可解释性差 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 化合物与蛋白质相互作用数据的收集和预处理 | 第27-36页 |
| 3.1 化合物与蛋白质相互作用数据的收集 | 第27页 |
| 3.2 化合物与蛋白质结构的表示 | 第27-28页 |
| 3.3 化合物与蛋白质结构的数值化 | 第28-31页 |
| 3.4 化合物与蛋白质数据长度归一化 | 第31-33页 |
| 3.5 负样本的生成 | 第33-34页 |
| 3.5.1 训练集的类别不平衡问题 | 第33-34页 |
| 3.5.2 随机生成算法 | 第34页 |
| 3.6 本章小结 | 第34-36页 |
| 第四章 深度神经网络的训练以及结果展示 | 第36-52页 |
| 4.1 深度神经网络模型以及学习过程简介 | 第36-40页 |
| 4.1.1 激活函数的选择 | 第36-37页 |
| 4.1.2 损失函数的选择 | 第37-39页 |
| 4.1.3 优化算法的选择 | 第39-40页 |
| 4.2 防止过拟合与加速深度神经网络学习的方法 | 第40-44页 |
| 4.2.1 正则化 | 第40页 |
| 4.2.2 提前终止 | 第40-41页 |
| 4.2.3 偏差方差分解 | 第41页 |
| 4.2.4 DROPOUT | 第41-43页 |
| 4.2.5 Bathch Normalization | 第43-44页 |
| 4.3 深度神经网络的结构以及超参数的选择 | 第44-47页 |
| 4.3.1 深度神经网络的结构 | 第44-46页 |
| 4.3.2 超参数 | 第46-47页 |
| 4.4 实验结果展示 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-53页 |
| 5.1 本文研究工作总结 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |