| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 引言 | 第7页 |
| 1.2 研究背景及意义 | 第7-8页 |
| 1.3 国内外研究现状 | 第8-9页 |
| 1.4 论文的主要工作 | 第9页 |
| 1.5 论文的组织结构 | 第9-11页 |
| 2 论文相关理论知识 | 第11-26页 |
| 2.1 加权朴素贝叶斯定理 | 第11-16页 |
| 2.1.1 概率论基础 | 第11-12页 |
| 2.1.2 朴素贝叶斯定理 | 第12-14页 |
| 2.1.3 加权NBC的基本思想 | 第14-15页 |
| 2.1.4 加权NBC的深入分析 | 第15-16页 |
| 2.2 粒子群优化算法 | 第16-17页 |
| 2.2.1 粒子群算法的基本思想 | 第16页 |
| 2.2.2 改进的粒子群算法 | 第16-17页 |
| 2.3 不平衡问题 | 第17-20页 |
| 2.3.1 不平衡问题概述 | 第17页 |
| 2.3.2 学习方法 | 第17-20页 |
| 2.4 随机森林和极端随机树 | 第20-25页 |
| 2.4.1 决策树 | 第20-21页 |
| 2.4.2 随机森林 | 第21-24页 |
| 2.4.3 极端随机树 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测算法 | 第26-33页 |
| 3.1 基准数据集 | 第26页 |
| 3.2 预测模型的结构框架 | 第26-27页 |
| 3.3 预测模型的算法设计 | 第27-32页 |
| 3.3.1 WNBC-PSO组合预测器 | 第27-29页 |
| 3.3.2 基于预测器的特征提取 | 第29页 |
| 3.3.3 基于序列的特征提取 | 第29-32页 |
| 3.3.4 训练预测模型 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 实验结果与分析 | 第33-49页 |
| 4.1 不同预测器的比较 | 第33-38页 |
| 4.1.1 在Test_98测试集上的实验结果 | 第33-34页 |
| 4.1.2 易预测和难预测的蛋白质比较 | 第34-36页 |
| 4.1.3 机器学习和协同进化比较 | 第36-38页 |
| 4.2 组合预测器的方式和性能比较 | 第38-41页 |
| 4.2.1 NBC组合性能 | 第38-39页 |
| 4.2.2 WNBC-PSO组合性能 | 第39-41页 |
| 4.3 TargetPCM预测模型的性能 | 第41-42页 |
| 4.4 与现有接触图预测器比较 | 第42-45页 |
| 4.4.1 在Test_98测试集上比较 | 第42-44页 |
| 4.4.2 在CASP11测试集上比较 | 第44-45页 |
| 4.5 深入研究 | 第45-48页 |
| 4.5.1 在不同的覆盖截止点评估 | 第45-47页 |
| 4.5.2 真实和预测的接触图比较 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 蛋白质接触图在线预测系统 | 第49-55页 |
| 5.1 系统设计 | 第49-50页 |
| 5.2 系统实现 | 第50-51页 |
| 5.3 系统测试 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63页 |