基于深度学习的蛋白质序列分类问题的研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 蛋白质序列的特征提取方法 | 第12-13页 |
| 1.2.2 蛋白质序列的分类方法 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 蛋白质序列的特征提取和分类方法 | 第17-37页 |
| 2.1 基于氨基酸组成和物理化学特性的特征提取 | 第18-20页 |
| 2.1.1 简单特征提取方法 | 第18-19页 |
| 2.1.2 融合特征提取方法 | 第19-20页 |
| 2.2 位置特异性得分矩阵(PSSM) | 第20-21页 |
| 2.3 传统机器学习方法 | 第21-28页 |
| 2.3.1 支持向量机 | 第21-25页 |
| 2.3.2 t-SNE降维算法 | 第25-28页 |
| 2.4 深度学习方法 | 第28-34页 |
| 2.4.1 递归神经网络 | 第29-31页 |
| 2.4.2 预训练-微调 | 第31-34页 |
| 2.5 分类模型的检验 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 基于深度学习的蛋白质序列分类 | 第37-55页 |
| 3.1 数据集介绍及预处理 | 第37-38页 |
| 3.2 特征提取及归一化 | 第38-41页 |
| 3.3 基于深度学习的蛋白质序列分类模型 | 第41-53页 |
| 3.3.1 特征学习 | 第42-51页 |
| 3.3.1.1 编码器 | 第43-47页 |
| 3.3.1.2 全连接网络层 | 第47-51页 |
| 3.3.2 数据降维 | 第51-52页 |
| 3.3.3 数据分类 | 第52-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 实验结果分析 | 第55-60页 |
| 4.1 实验环境及评估指标 | 第55-57页 |
| 4.2 实验效果及分析 | 第57-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 web服务器 | 第60-67页 |
| 5.1 在线预测web服务器介绍 | 第60-63页 |
| 5.2 预测演示 | 第63-65页 |
| 5.3 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
