| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 基因表达数据国内外研究现状 | 第14-18页 |
| 1.2.1 基因表达数据分类国内外研究现状 | 第14-16页 |
| 1.2.2 基因表达数据特征选择国内外研究现状 | 第16-18页 |
| 1.3 论文研究内容和结构安排 | 第18-20页 |
| 2 分类与特征选择 | 第20-29页 |
| 2.1 分类算法 | 第20-24页 |
| 2.1.1 BP神经网络 | 第20-21页 |
| 2.1.2 支持向量机 | 第21-23页 |
| 2.1.3 极限学习机 | 第23-24页 |
| 2.2 特征选择方法 | 第24-28页 |
| 2.2.1 互信息 | 第24-26页 |
| 2.2.2 遗传算法 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 一种粒子群RELM的基因表达数据分类方法 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 正则极限学习机 | 第29-33页 |
| 3.2.1 常用激活函数 | 第30-31页 |
| 3.2.2 正则极限学习机简介 | 第31-32页 |
| 3.2.3 正则极限学习机研究现状 | 第32-33页 |
| 3.3 粒子群算法 | 第33页 |
| 3.4 粒子群改进正则极限学习机 | 第33-34页 |
| 3.5 实验结果与分析 | 第34-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 结合互信息最大化和自适应遗传算法的特征选择方法 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 信息论 | 第39-41页 |
| 4.2.1 信息熵 | 第39-40页 |
| 4.2.2 条件熵 | 第40页 |
| 4.2.3 联合熵 | 第40-41页 |
| 4.3 互信息最大化 | 第41-42页 |
| 4.3.1 互信息最大化简介 | 第41页 |
| 4.3.2 互信息最大化研究现状 | 第41-42页 |
| 4.4 自适应遗传算法 | 第42-43页 |
| 4.5 MIMAGA-Selection | 第43-44页 |
| 4.6 实验结果与分析 | 第44-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-54页 |
| 作者简历 | 第54页 |