摘要 | 第1-7页 |
Abstract | 第7-15页 |
第1章 绪论 | 第15-23页 |
·研究背景 | 第15-16页 |
·基因芯片或基因微阵列 | 第16-17页 |
·基因芯片或微阵列的应用 | 第17-20页 |
·本文主要工作 | 第20-21页 |
·本文的内容安排 | 第21-23页 |
第2章 常用基因分类算法概述 | 第23-38页 |
·基因分类模型 | 第23-24页 |
·数据预处理 | 第24页 |
·阈值化 | 第24页 |
·过滤 | 第24页 |
·特征提取技术 | 第24-29页 |
·主成分分析 | 第24-26页 |
·独立分量分析 | 第26-28页 |
·信噪比 | 第28页 |
·熵 | 第28页 |
·信息增益 | 第28-29页 |
·性能指标 | 第29页 |
·几种常用的基因分类算法 | 第29-35页 |
·S VM | 第29-32页 |
·Naive B ayes 算法 | 第32-33页 |
·KNN | 第33-35页 |
·基因分类算法性能评价 | 第35-37页 |
·结论 | 第37-38页 |
第3章 基于蚁群算法的基因选择方法 | 第38-50页 |
·引言 | 第38-39页 |
·蚁群算法 | 第39-43页 |
·蚁群算法原理 | 第39-42页 |
·基本蚁群算法简介 | 第42-43页 |
·基于改进的蚁群优化算法的基因选择 | 第43-47页 |
·基因选择概述 | 第43-44页 |
·模型的建立 | 第44-46页 |
·算法描述 | 第46-47页 |
·实验分析 | 第47-49页 |
·参数分析 | 第47-48页 |
·对比实验 | 第48-49页 |
·结论 | 第49-50页 |
第4章 基于遗传算法的基因聚类 | 第50-62页 |
·引言 | 第50-51页 |
·基于ICA 的基因聚类 | 第51-52页 |
·ICA 概述 | 第51-52页 |
·基于ICA 的基因聚类算法 | 第52页 |
·基于遗传算法的基因聚类 | 第52-57页 |
·累计量 | 第52-53页 |
·遗传算法的基因聚类可行性分析 | 第53-55页 |
·基于遗传算法的盲基因聚类算法 | 第55-57页 |
·算法描述 | 第57页 |
·算法性能分析与仿真实验 | 第57-60页 |
·结论 | 第60-62页 |
第5章 一种改进的基因表达数据分类方法 | 第62-72页 |
·引言 | 第62-63页 |
·基于S VM - KN N 分类算法的基因表达数据分类 | 第63-65页 |
·S VM 分类算法 | 第63-64页 |
·K NN 分类算法 | 第64页 |
·基于S VM - KN N 算法的基因表达数据分类 | 第64-65页 |
·基于相关性的R FE 算法 | 第65-68页 |
·R F E算法 | 第65-66页 |
·基于相关性的 R FE 算法 | 第66-68页 |
·实验分析 | 第68-71页 |
·实验数据 | 第68页 |
·实验结果与分析 | 第68-71页 |
·结论 | 第71-72页 |
第6章 基于多分类器组合模型的基因分类算法 | 第72-83页 |
·引言 | 第72-73页 |
·组合多分类器概述 | 第73-74页 |
·度量级信息计算方法 | 第74-76页 |
·相似度 | 第74-75页 |
·混淆距阵及后验概率 | 第75-76页 |
·一种新的多分类器组合模型 | 第76-81页 |
·模型说明 | 第76-78页 |
·模型实现 | 第78-80页 |
·算法描述 | 第80-81页 |
·实验分析 | 第81-82页 |
·结论 | 第82-83页 |
第7章 识别具有显著功能注释关联的共表达基因集合 | 第83-94页 |
·引言 | 第83-84页 |
·方法和系统设计 | 第84-85页 |
·S ig C lu st 所采用的相关性测量标准 | 第85页 |
·分析基因集合的功能注释信息 | 第85-86页 |
·识别具有显著功能类别关联的共表达基因集合 | 第86-87页 |
·基于网页的预测结果分析和展示 | 第87-89页 |
·测试结果 | 第89-92页 |
·讨论 | 第92-94页 |
结论与展望 | 第94-97页 |
一、主要工作总结 | 第94-96页 |
二、未来工作展望 | 第96-97页 |
参考文献 | 第97-105页 |
致谢 | 第105-106页 |
附录A( 攻读博士学位期间发表或录用的论文及科研获奖情况) | 第106-107页 |