内容提要 | 第1-8页 |
第1章 绪论 | 第8-29页 |
·数据挖掘技术简介 | 第8-16页 |
·数据挖掘的背景介绍 | 第8-9页 |
·数据挖掘的研究现状 | 第9-11页 |
·数据挖掘的相关知识 | 第11-15页 |
·数据挖掘的应用和研究方向 | 第15-16页 |
·数据挖掘技术在文本分类中的应用 | 第16-20页 |
·数据挖掘技术在文本分类中的应用 | 第16-18页 |
·文本分类的应用和展望 | 第18-20页 |
·数据挖掘技术在生物信息学中的应用 | 第20-24页 |
·生物信息学的定义和研究范围 | 第20-23页 |
·生物信息学中的数据挖掘过程 | 第23-24页 |
·数据挖掘在生物信息学中的应用和展望 | 第24页 |
·文本挖掘和生物信息学的关系 | 第24-26页 |
·本文工作 | 第26-29页 |
第2章 基于改进互信息和特征权重的文本分类方法 | 第29-46页 |
·背景介绍 | 第29-32页 |
·特征选择前的低频特征预处理工作 | 第32-33页 |
·改进互信息的特征选择方法 | 第33-37页 |
·互信息方法 | 第33-34页 |
·互信息公式的改进 | 第34-37页 |
·改进的特征权重的估计方法 | 第37-40页 |
·tf.idf方法 | 第37页 |
·改进的tf.idf方法 | 第37-40页 |
·模拟实验 | 第40-45页 |
·评价方法 | 第40-41页 |
·实验结果 | 第41-45页 |
·本章小结 | 第45-46页 |
第3章 基于互信息和信息熵对的特征选择方法 | 第46-57页 |
·背景介绍 | 第46-47页 |
·特征选择方法 | 第47-50页 |
·互信息方法 | 第47-48页 |
·信息熵和信息熵对 | 第48-49页 |
·基于互信息和信息熵对的特征选择方法 | 第49-50页 |
·仿真实验 | 第50-55页 |
·数据集 | 第50-51页 |
·评价方法 | 第51页 |
·实验结果 | 第51-55页 |
·本章小结 | 第55-57页 |
第4章 基于实数域粗糙集特征加权的文本分类方法 | 第57-69页 |
·引言 | 第57-58页 |
·基于实数域粗糙集理论的几个定义 | 第58-60页 |
·基于实数域粗糙集理论的改进特征加权公式 | 第60-64页 |
·tf.idf方法 | 第60页 |
·改进的tf.idf方法 | 第60-64页 |
·实验结果和分析 | 第64-67页 |
·本章小结 | 第67-69页 |
第5章 基于可变精度粗糙集的基因功能预测方法 | 第69-84页 |
·引言 | 第69-71页 |
·GO术语属性的离散化 | 第71-74页 |
·定义和GO术语的属性 | 第71-72页 |
·GO术语属性的离散化方法 | 第72-74页 |
·GO术语的决策规则提取方法 | 第74-78页 |
·可变精度粗糙集的相关定义 | 第74-76页 |
·基于可变精度粗糙集的规则提取算法 | 第76-78页 |
·规则提取实例 | 第78-80页 |
·统计术语所在单元及所在单元的相关属性 | 第78-79页 |
·GO术语属性的离散化 | 第79-80页 |
·GO术语决策规则的提取 | 第80页 |
·实验结果与分析 | 第80-83页 |
·实验结果评价方法 | 第80-81页 |
·实验数据集 | 第81页 |
·实验结果和分析 | 第81-83页 |
·本章小结 | 第83-84页 |
第6章 基于Y染色体SNP基因型频率数据的种群进化研究 | 第84-107页 |
·引言 | 第84-86页 |
·背景介绍 | 第84-85页 |
·相关工作 | 第85-86页 |
·单核苷酸多态性理论和国际单体型图计划介绍 | 第86-91页 |
·单核苷酸多态性基础理论 | 第86-90页 |
·国际人类基因组单体型图计划介绍 | 第90-91页 |
·系统进化树的构建理论 | 第91-97页 |
·人类起源学说 | 第91-92页 |
·系统进化树 | 第92-97页 |
·基于Y染色体SNP基因型频率数据的种群进化树 | 第97-104页 |
·研究对象和数据来源 | 第97-98页 |
·采用的研究方法 | 第98-104页 |
·模拟实验 | 第104-106页 |
·本章小结 | 第106-107页 |
第7章 结论和展望 | 第107-109页 |
参考文献 | 第109-122页 |
攻读博士学位期间发表的论文及参加的科研项目 | 第122-125页 |
学位论文摘要(中文) | 第125-128页 |
学位论文摘要(英文) | 第128-131页 |
致谢 | 第131页 |