摘要 | 第1-6页 |
Abstract | 第6-13页 |
主要符号和缩写 | 第13-15页 |
1 绪论 | 第15-27页 |
·研究背景与意义 | 第15-17页 |
·研究现状与进展 | 第17-23页 |
·本文的研究思路与内容 | 第23-24页 |
·预备知识 | 第24-27页 |
·凸分析相关概念和结果 | 第24-26页 |
·机器学习中的相关概念 | 第26-27页 |
2 用于机器学习的稀疏优化模型及算法 | 第27-43页 |
·用于机器学习的稀疏优化模型的抽象结构 | 第27-28页 |
·几种稀疏优化模型的变形与推广 | 第28-31页 |
·与正则化网络及结构风险最小化的关系 | 第31-32页 |
·正则化路径 | 第32页 |
·求解盒子约束的Lasso模型的同伦算法 | 第32-39页 |
·求解块PCA模型的Splitting算法 | 第39-43页 |
3 盒子约束的Lasso模型的同伦算法收敛性及其性能 | 第43-69页 |
·引言 | 第43-44页 |
·收敛性分析 | 第44-53页 |
·计算复杂度 | 第53页 |
·数值实验 | 第53-60页 |
·基准算法 | 第56-59页 |
·ISTA和FISTA | 第56-58页 |
·LADM | 第58-59页 |
·数值结果 | 第59-60页 |
·退化与循环 | 第60-68页 |
·本章小结 | 第68-69页 |
4 协同过滤数据的可预测性评估 | 第69-93页 |
·引言 | 第69-71页 |
·协同过滤和线性回归 | 第71-72页 |
·社区和相关性 | 第72-76页 |
·搜索高质量的社区 | 第76-80页 |
·相关性度量在推荐系统中的应用 | 第80-81页 |
·结合相关性度量的Top-k推荐 | 第80页 |
·基于数据的组合方法 | 第80-81页 |
·实验验证 | 第81-89页 |
·实验设计 | 第81-83页 |
·相关性的有效性 | 第83-84页 |
·基于相关性度量Top-1推荐 | 第84-86页 |
·DOC方法的性能 | 第86-89页 |
·相关工作 | 第89-90页 |
·讨论 | 第90-91页 |
·本章小结 | 第91-93页 |
5 从时间序列基因表达数据中推断基因正则化网络 | 第93-105页 |
·引言 | 第93-94页 |
·推断GRN的一个ODE模型 | 第94-95页 |
·NCI方法 | 第95-97页 |
·块PCA模型 | 第97-98页 |
·实验 | 第98-103页 |
·测试1.有14个基因的小的测试例子 | 第98-100页 |
·测试2.有50个基因的GRN | 第100-101页 |
·测试3.所提出的块PCA模型的性能 | 第101-102页 |
·测试4.所提出的Splitting算法的性能 | 第102-103页 |
·本章小结 | 第103-105页 |
6 基于模糊分类与聚类的肽段识别 | 第105-121页 |
·引言 | 第105-106页 |
·肽段识别的分类和聚类方法 | 第106-107页 |
·聚类与Silhouette指标 | 第106-107页 |
·分类 | 第107页 |
·FC-Ranker算法 | 第107-112页 |
·模糊支持向量分类机 | 第109页 |
·模糊Silhouette | 第109-110页 |
·样本得分 | 第110-111页 |
·FC-Ranker算法 | 第111-112页 |
·求解较大规模问题 | 第112-113页 |
·较大规模问题的模糊支持向量分类 | 第112-113页 |
·较大规模问题中模糊Silhouette的计算 | 第113页 |
·实验 | 第113-119页 |
·实验设置 | 第113-114页 |
·迭代过程中分离度sep的变化 | 第114-115页 |
·比较鉴别出的目标PSM | 第115-117页 |
·ROC曲线 | 第117-119页 |
·本章小结 | 第119-121页 |
结论与展望 | 第121-123页 |
参考文献 | 第123-131页 |
附录A 一些辅助结论的证明 | 第131-137页 |
A.1 命题2.2的证明 | 第131页 |
A.2 命题2.3的证明 | 第131-132页 |
A.3 Soft-thresholding算子关于盒子约束的一个扩展 | 第132-133页 |
A.4 命题3.5-3.8的证明 | 第133-137页 |
攻读博士学位期间发表学术论文情况 | 第137-139页 |
致谢 | 第139-141页 |
作者简介 | 第141-143页 |