| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-21页 |
| ·研究背景及意义 | 第12-14页 |
| ·蛋白质组学的相关研究 | 第14-15页 |
| ·SELDI-TOF 质谱特征提取算法的研究现状 | 第15-18页 |
| ·基于有监督学习方法的研究 | 第15页 |
| ·基于无监督学习方法的研究 | 第15-16页 |
| ·基于半监督学习方法的研究 | 第16-18页 |
| ·本文主要工作 | 第18-21页 |
| ·主要内容 | 第18-19页 |
| ·组织结构 | 第19-21页 |
| 第2章 SELDI-TOF 质谱技术及算法分析 | 第21-42页 |
| ·SELDI-TOF 质谱技术的研究现状及进展 | 第21-23页 |
| ·质谱技术的研究现状及进展 | 第21页 |
| ·SELDI-TOF 质谱技术的分析 | 第21-23页 |
| ·预处理技术 | 第23-24页 |
| ·SELDI-TOF 数据分析的经典算法 | 第24-31页 |
| ·主成分分析（PCA）方法 | 第24-25页 |
| ·核主成分分析（KPCA）方法 | 第25-27页 |
| ·支持向量机（SVM）方法 | 第27-29页 |
| ·K 最近邻节点（KNN）方法 | 第29页 |
| ·线性判别分析（LDA）方法 | 第29-30页 |
| ·人工神经网络方法 | 第30-31页 |
| ·SELDI-TOF 数据结合半监督学习方法介绍 | 第31-41页 |
| ·半监督学习介绍 | 第31页 |
| ·基于图的半监督学习介绍 | 第31-37页 |
| ·局部全局一致性学习（LLGC） | 第37-39页 |
| ·简洁局部全局一致性学习（BB-LLGC） | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 基于多步降维和半监督学习的质谱特征提取 | 第42-54页 |
| ·实验所用样本集及相关预处理方法 | 第43-46页 |
| ·实验所用样本数据集的介绍 | 第43页 |
| ·对实验数据集进行预处理的步骤 | 第43-46页 |
| ·特征提取实验算法和流程 | 第46-50页 |
| ·利用 T 检验进行初步筛选 | 第46-47页 |
| ·基于离散小波变化及相对熵排序再次筛选 | 第47-48页 |
| ·利用主成分分析完成特征提取 | 第48-49页 |
| ·结合半监督学习算法进行分类 | 第49页 |
| ·特征提取实验的流程概述 | 第49-50页 |
| ·实验结果及其分析 | 第50-53页 |
| ·在三个数据集上的分类结果分析 | 第50-51页 |
| ·通过对比方法探讨本实验所用方法的效果 | 第51-52页 |
| ·与经典的降维分类框架对比 | 第52页 |
| ·与不同分类器进行分类性能对比 | 第52-53页 |
| ·探讨标记样本数量对分类器的分类性能的影响 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第4章 基于稀疏表示和半监督学习的蛋白质质谱数据分类 | 第54-61页 |
| ·实验所用样本集描述与相关预处理 | 第54页 |
| ·进行分类实验的算法与实验流程 | 第54-57页 |
| ·利用核主成分分析方法完成特征提取 | 第54-55页 |
| ·利用稀疏表示向量进行构图 | 第55-56页 |
| ·结合半监督学习算法进行分类 | 第56-57页 |
| ·实验结果与分析 | 第57-60页 |
| ·对三个数据集的参数进行选择 | 第57页 |
| ·在三个数据集上的分类结果 | 第57-58页 |
| ·不同特征提取结合分类算法之间的分类性能比较 | 第58-59页 |
| ·本章分类算法与经典分类算法的性能比较 | 第59页 |
| ·不同标记比例对本章分类算法的影响 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 附录 | 第71页 |