首页> 正文

基于特征融合和二维小波去噪的蛋白质结构类预测

2020-12-08阅读(896)

基于特征融合和二维小波去噪的蛋白质结构类预测

论文摘要

蛋白质的空间结构决定着其功能,其空间结构的确定非常复杂。通过前人的研究表明获得蛋白质的结构类,可以确定肽链的折叠形态,从而缩小空间结构自然搜索的范围,为其结构测定提供了方向,节省了许多时间和物力。但结构类的预测准确率一直很低,特别是在低相似性序列数据集上。导致其预测率低的原因在于用传统的方法所提取结构类序列的特征信息中有很多冗余信息。基于此,本文的工作如下:（1）提出了一种基于降维的特征融合和迭代二维小波去噪的预测模型,称之为FU-ERD-IWD（Model 1）。它用来解决在蛋白质结构类预测过程中,高维特征向量融合后计算成本和冗余信息增加的问题。首先用二肽组成和三肽组成提取结构类序列的特征信息,然后用核主成分分析（KPCA）对其降维,将降维之后的特征向量进行融合。之后对融合的特征向量进行二维小波去噪,通过多次迭代去噪,去除特征向量里的冗余信息。虽然本预测模型的预测效果与其他文献有差距,但所取得的预测效果还是行之有效的。（2）提出了一种基于并行二维小波去噪和特征融合的预测模型,称之为PWD-FU-PseAAC（Model 2）。在蛋白质结构类预测过程中提出一种新的融合策略:先去噪后融合,来增强低维特征向量的有效性,使之更容易预测和识别。首先通过两种类型的伪氨基酸组成提取结构类序列的特征信息,然后对这两部分特征向量进行二维小波去噪,去除冗余信息。其次将去噪后的两部分特征向量进行融合。相比另一种融合策略:先融合后去噪,本文所提新的融合策略要更好。并与其他文献中的预测方法相比较,本预测模型的预测准确率更高,而且本预测模型有望应用于生物信息学其他领域。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1. 研究背景与意义
  •   1.2. 蛋白质结构知识简介
  •     1.2.1. 蛋白质结构
  •     1.2.2. 蛋白质结构类
  •   1.3. 国内外研究现状
  •   1.4. 本文研究内容及创新点
  •   1.5. 论文结构
  • 第二章 蛋白质结构类预测常用方法
  •   2.1. 特征提取方法
  •     2.1.1. 氨基酸组成
  •     2.1.2. 伪氨基酸组成
  •     2.1.3. 二肽组成
  •     2.1.4. 三肽组成
  •   2.2. 降维方法
  •     2.2.1. 主成分分析
  •     2.2.2. 核主成分分析
  •   2.3. 分类方法
  •     2.3.1. 朴素贝叶斯
  •     2.3.2. 支持向量机
  •     2.3.3. K近邻
  •   2.4. 评估方法与性能度量
  •   2.5. 本章小结
  • 第三章 基于降维的特征融合和迭代二维小波去噪的蛋白质结构类预测
  •   3.1. 材料与方法
  •     3.1.1. 数据集
  •     3.1.2. 二维小波去噪
  •     3.1.3. 预测模型的构建
  •   3.2. 实验结果与分析
  •     3.2.1. 降维维数的选择
  •     3.2.2. 小波基函数和分解尺度的选择
  •     3.2.3. 迭代次数N的选择
  •     3.2.4. 模型1中K值的选择
  •     3.2.5. 改进策略对预测结果的影响
  •     3.2.6. 预测模型的性能评估
  •   3.3. 本章小结
  • 第四章 基于并行二维小波去噪和特征融合的蛋白质结构类预测
  •   4.1. 材料与方法
  •     4.1.1. 数据集
  •     4.1.2. 预测模型的构建
  •   4.2. 实验结果与分析
  •     4.2.1. λ和r参数的选择
  •     4.2.2. 小波基函数和分解尺度的选择
  •     4.2.3. 与一维小波去噪的比较
  •     4.2.4. 模型2中K值的选择
  •     4.2.5. 改进策略对预测结果的影响
  •     4.2.6. 分类器对预测结果的影响
  •     4.2.7. 预测模型的性能评估
  •     4.2.8. 与其他方法的比较
  •   4.3. 本章小结
  • 第五章 全文工作总结与未来展望
  •   5.1. 全文工作总结
  •   5.2. 未来展望
  • 参考文献
  • 攻读硕士学位期间完成的科研成果
  • 致谢

    • 文章来源

    类型: 硕士论文

    作者: 汪晓恒

    导师: 王顺芳

    关键词: 蛋白质结构类预测,特征融合,迭代二维小波去噪,并行二维小波去噪

    来源: 云南大学

    年度: 2019

    分类: 基础科学

    专业: 数学,生物学

    单位: 云南大学

    分类号: Q51;O212.1

    总页数: 67

    文件大小: 3289K

    下载量: 22

    相关论文文献

    • [1].电弧信号小波去噪分析[J]. 电气技术 2020(03)
    • [2].小波去噪在太赫兹无损检测中的应用[J]. 中国激光 2020(01)
    • [3].断路器的机械振动信号小波去噪技术研究[J]. 电力设备管理 2020(03)
    • [4].基于小波去噪的变形监测数据处理的方法研究[J]. 北京测绘 2015(06)
    • [5].基于小波去噪的极限学习机功率预测[J]. 电子世界 2019(21)
    • [6].锋电位检测信号的多元小波去噪方法研究[J]. 系统仿真学报 2013(10)
    • [7].小波去噪和混沌理论应用于输电线缺陷检测[J]. 计算机工程与应用 2012(05)
    • [8].语音小波去噪效果的复倒谱分析[J]. 微计算机信息 2012(09)
    • [9].小波去噪中小波基的选择[J]. 沈阳大学学报 2009(02)
    • [10].一种新阈值函数的小波去噪算法研究[J]. 通信技术 2017(07)
    • [11].一种新的阈值函数的平移不变多小波去噪方法[J]. 软件导刊 2011(07)
    • [12].小波去噪效果评价的另一指标[J]. 测绘信息与工程 2008(05)
    • [13].恒河猴表面肌电信号小波去噪的复合评价指标[J]. 中国医学物理学杂志 2020(09)
    • [14].基于小波去噪的灰色马尔柯夫基坑变形预测[J]. 水利与建筑工程学报 2015(04)
    • [15].基于小波去噪的自回归滑动平均模型在地铁隧道地表沉降预报中的应用[J]. 测绘地理信息 2018(03)
    • [16].基于自适应小波去噪法的精密超声波测距方法[J]. 吉林大学学报(工学版) 2017(04)
    • [17].基于软阈值和遗传自适应阈值的车辆制动信号的联合小波去噪[J]. 汽车工程 2014(06)
    • [18].通信系统中小波去噪技术的改进[J]. 电子技术与软件工程 2018(05)
    • [19].基于阈值函数的小波去噪的研究[J]. 信息通信 2016(12)
    • [20].一种图像小波去噪的改进阈值函数[J]. 计算机与数字工程 2020(06)
    • [21].一维小波去噪在雷声信号处理中的应用[J]. 数据通信 2019(03)
    • [22].全频率小波去噪方法在随钻四极横波测井中的应用[J]. 地球物理学进展 2018(05)
    • [23].液体火箭发动机启动段振动信号的小波去噪[J]. 火箭推进 2012(05)
    • [24].基于稀疏表示的小波去噪[J]. 中国科学:信息科学 2010(01)
    • [25].基于熵权的小波去噪评价指标[J]. 测绘与空间地理信息 2019(08)
    • [26].用于近红外宽带腔增强吸收光谱的小波去噪[J]. 光学学报 2019(09)
    • [27].基于小波分析对信号噪声的处理及应用[J]. 机械工程与自动化 2015(01)
    • [28].软硬折衷阈值小波去噪法在大坝位移监控中的应用[J]. 水电能源科学 2014(04)
    • [29].自适应二进小波去噪法[J]. 工程数学学报 2009(06)
    • [30].基于收缩阈值的小波去噪法[J]. 科技信息 2009(29)

    标签：;  ;  ;  ;  

    基于特征融合和二维小波去噪的蛋白质结构类预测
    下载Doc文档

    猜你喜欢

    © 2024 毕论降 版权所有 鄂ICP备12018319号-6