| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 缩略语表 | 第8-9页 |
| 1 绪论 | 第9-12页 |
| 1.1 研究课题的背景及意义 | 第9-11页 |
| 1.2 国内外研究现状和进展 | 第11-12页 |
| 1.3 论文结构安排 | 第12页 |
| 2 理论研究方法介绍 | 第12-21页 |
| 2.1 引言 | 第12页 |
| 2.2 数据集的构建 | 第12-13页 |
| 2.3 特征提取方法介绍 | 第13-16页 |
| 2.3.1 氨基酸组分信息(Amino acid composition,AAC) | 第13-14页 |
| 2.3.2 氨基酸二肽组分信息(Dipeptide composition,DC) | 第14页 |
| 2.3.3 伪氨基酸组分信息(Pseudo amino acid composition,PseAAC) | 第14页 |
| 2.3.4 氨基酸的物理化学特征分类信息 | 第14-16页 |
| 2.4 算法介绍 | 第16-19页 |
| 2.4.1 支持向量机(Support Vector Machine,SVM)算法 | 第16-17页 |
| 2.4.2 随机森林(RandomForest,RF)算法 | 第17-18页 |
| 2.4.3 加权K-近邻(Weighted K-Nearest Neighbors,WKNN)算法 | 第18-19页 |
| 2.5 分类预测性能的评估 | 第19-21页 |
| 3 抗微生物肽及抗癌肽的预测 | 第21-32页 |
| 3.1 数据集的选取 | 第21-22页 |
| 3.1.1 抗微生物肽数据集 | 第21-22页 |
| 3.1.2 抗癌肽数据集 | 第22页 |
| 3.2 特征参数的选取 | 第22-24页 |
| 3.3 抗生物肽的预测 | 第24-27页 |
| 3.3.1 支持向量机(SVM)算法对抗微生物肽的预测 | 第24-25页 |
| 3.3.2 随机森林(RF)算法对抗微生物肽的预测 | 第25-26页 |
| 3.3.3 加权K-近邻(WKNN)算法对抗微生物肽的预测 | 第26页 |
| 3.3.4 三种算法对抗微生物肽预测的总结 | 第26-27页 |
| 3.4 抗癌肽的预测 | 第27-31页 |
| 3.4.1 支持向量机(SVM)算法对抗癌肽的预测 | 第27-29页 |
| 3.4.2 随机森林(RF)算法对抗癌肽的预测 | 第29-30页 |
| 3.4.3 加权K-近邻(WKNN)算法对抗癌肽的预测 | 第30-31页 |
| 3.4.4 三种算法对抗癌肽预测的总结 | 第31页 |
| 3.5 结果与讨论 | 第31-32页 |
| 4 总结与展望 | 第32-34页 |
| 4.1 工作总结 | 第32页 |
| 4.2 工作展望 | 第32-34页 |
| 致谢 | 第34-35页 |
| 参考文献 | 第35-39页 |
| 作者简介 | 第39页 |
