首页--生物科学论文--分子生物学论文--分子遗传学论文

基因分类及基因表达数据分析方法的研究

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

论文共107页,点击 下载论文
上一篇:论儿童英语教学中的语境创设
下一篇:混合动力汽车发动机电子节气门控制系统的研究