| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 基因表达数据 | 第10-14页 |
| 1.2.1 基因表达数据的获取 | 第10-11页 |
| 1.2.2 基因表达数据的表示 | 第11-13页 |
| 1.2.3 基因表达数据的特点及分析 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 1.4.1 基于蚁群算法的特征选择方法的优化 | 第15页 |
| 1.4.2 结合自适应随机森林算法和蚁群算法的特征选择方法 | 第15-16页 |
| 1.4.3 基于ReliefF算法和蚁群算法的组合式特征选择方法 | 第16页 |
| 1.5 本文结构安排 | 第16-17页 |
| 2 相关理论介绍 | 第17-27页 |
| 2.1 特征选择方法 | 第17-21页 |
| 2.1.1 特征选择算法概述 | 第17页 |
| 2.1.2 特征选择算法框架 | 第17-18页 |
| 2.1.3 特征选择算法分类 | 第18-21页 |
| 2.2 蚁群优化算法 | 第21-26页 |
| 2.2.1 蚁群优化算法的发展 | 第21-22页 |
| 2.2.2 蚁群优化算法的原理 | 第22页 |
| 2.2.3 蚁群优化算法框架 | 第22-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于随机森林与蚁群算法的特征选择方法 | 第27-37页 |
| 3.1 随机森林算法 | 第27-28页 |
| 3.2 t统计 | 第28-29页 |
| 3.3 RFACO方法 | 第29-31页 |
| 3.4 实验与分析 | 第31-36页 |
| 3.4.1 实验数据与参数设置 | 第31-33页 |
| 3.4.2 算法性能分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于ReliefF和蚁群算法的特征基因选择方法 | 第37-53页 |
| 4.1 Relief系列算法 | 第37-40页 |
| 4.2 拉普拉斯分值法 | 第40-41页 |
| 4.3 基于蚁群算法的特征选择方法 | 第41-43页 |
| 4.4 ReFACO方法 | 第43-44页 |
| 4.5 实验与分析 | 第44-52页 |
| 4.5.1 实验所用数据集介绍 | 第44-46页 |
| 4.5.2 实验参数与环境 | 第46页 |
| 4.5.3 特征数与分类精度的关系 | 第46-50页 |
| 4.5.4 特征选择方法的比较 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60页 |
