高维生物数据的分类与预测研究

摘要	第1-6页
Abstract	第6-13页
第一章 绪论	第13-26页
·引言	第13-14页
·研究背景	第14-20页
·生物信息学概述	第14-16页
·蛋白质	第16-18页
·蛋白质数据库	第18-20页
·相关技术和国内外研究现状	第20-23页
·蛋白质数据的特征描述方法	第20-22页
·蛋白质数据的分类方法	第22-23页
·论文的研究内容与创新点	第23-25页
·论文的组织结构	第25-26页
第二章 蛋白质序列数据的特征分析与分类技术	第26-45页
·引言	第26页
·蛋白质序列的特征描述方法	第26-35页
·基于氨基酸组成和序列顺序信息的特征描述方法	第26-28页
·基于氨基酸物理化学特性的特征描述方法	第28-32页
·基于蛋白质数据库信息的特征描述方法	第32-34页
·基于蛋白质进化信息的特征描述方法	第34-35页
·蛋白质分类算法	第35-42页
·分类模型的检验与评估	第42-44页
·模型的检验	第42-43页
·模型的评估	第43-44页
·本章小结	第44-45页
第三章 基于线性子空间算法的蛋白质序列分类与预测	第45-69页
·引言	第45页
·线性子空间概述	第45-50页
·主成分分析基础	第46-49页
·线性判别分析	第49-50页
·基于线性降维算法的蛋白质亚细胞位置预测	第50-60页
·亚细胞位置预测问题	第50-51页
·亚细胞位置预测的研究现状	第51-53页
·细菌蛋白亚细胞位置预测算法	第53-56页
·预测实验及讨论	第56-60页
·基于PCA 的蛋白质四级结构预测	第60-67页
·四级结构预测问题	第60-62页
·四级结构预测的研究现状	第62-63页
·四级结构数据选取	第63-64页
·四级结构预测算法	第64-65页
·实验结果及讨论	第65-67页
·本章小结	第67-69页
第四章 基于核方法的蛋白质亚细胞位置的分类与预测	第69-84页
·引言	第69页
·核方法基础	第69-72页
·核方法的基本思想	第70-71页
·常用的核函数	第71页
·核方法的发展及应用	第71-72页
·基于非线性降维算法的蛋白质亚细胞位置预测	第72-83页
·核 PCA	第72-74页
·核 LDA	第74-77页
·细菌蛋白质亚细胞位置预测	第77-78页
·实验结果及讨论	第78-81页
·Internet 网络服务	第81-83页
·本章小结	第83-84页
第五章 基于流形学习算法的膜蛋白分类与预测	第84-104页
·引言	第84页
·流形学习算法	第84-96页
·流形学习算法的研究现状	第84-86页
·几种流形学习算法	第86-93页
·最大方差映射算法	第93-96页
·基于最大方差映射算法的膜蛋白类型预测	第96-102页
·膜蛋白类型预测问题	第96-98页
·膜蛋白类型预测的研究现状	第98-99页
·膜蛋白类型预测算法	第99-100页
·实验结果及讨论	第100-102页
·本章小结	第102-104页
第六章 降维算法在高维生物数据中的应用与改进	第104-124页
·引言	第104-105页
·实验结果及讨论	第105-112页
·Isomap 改进算法	第112-123页
·最小最大距离	第112-114页
·MDM-Isomap 算法	第114-115页
·实验结果及讨论	第115-123页
·本章小结	第123-124页
第七章 总结与展望	第124-126页
·全文工作总结	第124-125页
·未来工作展望	第125-126页
参考文献	第126-135页
致谢	第135-137页
博士期间发表、撰写的学术论文	第137-139页