| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·选题的背景与意义 | 第9-10页 |
| ·DNA微阵列数据分析的研究现状 | 第10-11页 |
| ·基于无监督聚类的基因选择方法 | 第10-11页 |
| ·基于filter的基因选择方法 | 第11页 |
| ·基于wrapper的基因选择方法 | 第11页 |
| ·本文研究的内容 | 第11-14页 |
| 第2章 DNA 微阵列技术与基因表达数据 | 第14-18页 |
| ·基因表达数据的获取 | 第14-17页 |
| ·寡核苷酸微阵列 | 第14-16页 |
| ·cDNA 微阵列 | 第16-17页 |
| ·常用基因表达数据 | 第17-18页 |
| 第3章 基于小波变换的基因特征提取 | 第18-31页 |
| ·小波分析基本原理 | 第18-21页 |
| ·连续小波变换 | 第18-19页 |
| ·离散小波变换 | 第19页 |
| ·常用的小波函数(小波基函数、小波基) | 第19-20页 |
| ·小波变换的滤波器解释和快速算法 | 第20-21页 |
| ·基因表达数据预处理 | 第21-24页 |
| ·特征提取 | 第21页 |
| ·基因表达数据预处理 | 第21-24页 |
| ·基于小波变换的特征提取算法 | 第24-25页 |
| ·实验结果及其分析 | 第25-31页 |
| 第4章 基于核方法的基因特征提取 | 第31-47页 |
| ·核方法概述 | 第31-32页 |
| ·Kernel Partial Least Squares (KPLS)方法 | 第32-33页 |
| ·Kernel Principal Component Analysis (KPCA) 方法 | 第33-34页 |
| ·Kernel Independent Component Analysis (KICA) 方法 | 第34-36页 |
| ·KICA 的优化目标函数 | 第34-36页 |
| ·KICA 算法 | 第36页 |
| ·Kernel Fisher Discriminant Analysis (KFDA) 方法 | 第36-39页 |
| ·基于核方法的特征提取方法 | 第39-40页 |
| ·实验结果及其分析 | 第40-47页 |
| 第5章 基于支持向量机的肿瘤分类算法 | 第47-61页 |
| ·统计学习理论 | 第48-53页 |
| ·支持向量机 | 第53-56页 |
| ·基于支持向量机的基因选择算法和改进分类器 | 第56-58页 |
| ·实验结果及其分析 | 第58-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 附录A（攻读学位期间所发表的学术论文目录） | 第69-70页 |
| 致谢 | 第70页 |
