首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

数据挖掘技术在文本分类和生物信息学中的应用

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

论文共131页,点击 下载论文
上一篇:基因识别和微阵列数据识别算法研究
下一篇:空间资源中信息语义注册与检索相关技术研究