| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题的提出及研究意义 | 第8-9页 |
| ·课题的研究背景与现状 | 第9-12页 |
| ·微阵列基因表达数据的研究现状 | 第9-10页 |
| ·特征基因选取算法的研究现状 | 第10页 |
| ·支持向量机的研究现状 | 第10-12页 |
| ·本文的研究工作和结构安排 | 第12-14页 |
| 第二章 基因微阵列技术与基因表达数据 | 第14-21页 |
| ·基因微阵列技术 | 第14-17页 |
| ·生物信息学的定义和研究内容 | 第14-15页 |
| ·基因芯片技术 | 第15-17页 |
| ·微阵列基因表达数据 | 第17-20页 |
| ·基因表达数据的特点和分析 | 第17-19页 |
| ·常用的基因表达数据 | 第19-20页 |
| ·小结 | 第20-21页 |
| 第三章 特征基因选取算法和K-MEANS 聚类算法研究 | 第21-29页 |
| ·特征选取的基本概念 | 第21-22页 |
| ·特征选取方法 | 第22-25页 |
| ·52N（Signal to Noise Ratio）算法 | 第22-23页 |
| ·递归特征消除算法 | 第23-24页 |
| ·ALMA 算法 | 第24-25页 |
| ·K-MEANS 聚类算法 | 第25-27页 |
| ·改进的特征基因选取算法 | 第27-28页 |
| ·改进52N 算法 | 第27-28页 |
| ·K-means 与改进的52N 算法相结合 | 第28页 |
| ·小结 | 第28-29页 |
| 第四章 支持向量机理论研究 | 第29-44页 |
| ·统计学习理论的核心内容 | 第29-32页 |
| ·支持向量机的基本理论 | 第32-42页 |
| ·线性支持向量机 | 第32-35页 |
| ·非线性支持向量机 | 第35-36页 |
| ·本文采用的核函数 | 第36页 |
| ·本文采用的支持向量机训练算法--SMO | 第36-42页 |
| ·K-折交叉验证 | 第42-43页 |
| ·小结 | 第43-44页 |
| 第五章 SVM 分类器的实现和实验结果 | 第44-56页 |
| ·实验数据 | 第44页 |
| ·分类器模型 | 第44-45页 |
| ·改进的52N 与SMO 训练算法相结合的SVM 分类器 | 第45-50页 |
| ·改进的52N、K-MEANS 聚类与LIBSVM 相结合的分类器 | 第50-55页 |
| ·小结 | 第55-56页 |
| 第六章 结论 | 第56-57页 |
| ·总结 | 第56页 |
| ·展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 附录1 K-MEANS 聚类结果基因分布图 | 第63-66页 |
| 附录2 攻读硕士期间发表的论文 | 第66-67页 |
| 附件 | 第67-69页 |
