| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究的意义 | 第11-12页 |
| ·基因表达谱数据分析面临的问题 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·论文的主要工作及章节安排 | 第14-16页 |
| 2 相关技术理论介绍 | 第16-22页 |
| ·基因芯片与肿瘤研究 | 第16-17页 |
| ·肿瘤基因表达谱分析 | 第16-17页 |
| ·肿瘤分子分类、分型和预后 | 第17页 |
| ·特征基因选择 | 第17-22页 |
| ·特征选择 | 第17-18页 |
| ·数据噪声的来源 | 第18页 |
| ·数据噪声预处理 | 第18-19页 |
| ·特征选择算法 | 第19-22页 |
| 3 支持向量机理论 | 第22-34页 |
| ·支持向量机(SVM)概述 | 第22页 |
| ·线性可分SVM数学模型的建立 | 第22-26页 |
| ·两类线性可分SVM的求解 | 第26-29页 |
| ·线性SVM问题的对偶问题及其求解 | 第26-28页 |
| ·线性SVM的Wolfe对偶 | 第28-29页 |
| ·非线性SVM—核方法 | 第29-34页 |
| ·特征空间的非线性影射和核函数 | 第29-32页 |
| ·核函数存在的条件和常用核函数 | 第32-34页 |
| 4 AdaBoost算法 | 第34-40页 |
| ·AdaBoost算法概述 | 第34页 |
| ·Adaboost算法具体实现步骤 | 第34-35页 |
| ·AdaBoost训练误差分析 | 第35-40页 |
| 5 基于SVM和AdaBoost的肿瘤基因表达谱分类 | 第40-46页 |
| ·AdaBoost-SVM算法设计 | 第40-43页 |
| ·构造基于SVM的弱分类器 | 第40-41页 |
| ·分类器更新 | 第41页 |
| ·利用AdaBoost算法生成强分类器 | 第41-43页 |
| ·实验及结果分析 | 第43-46页 |
| ·实验数据集 | 第43页 |
| ·数据预处理 | 第43-44页 |
| ·实验结果及分析 | 第44-46页 |
| 6 结论 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 作者简历 | 第49-51页 |
| 学位论文数据集 | 第51页 |