基于DNA微阵列数据的癌症分类技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-28页 |
| ·研究背景和意义 | 第12-13页 |
| ·DNA 微阵列技术概述 | 第13-17页 |
| ·DNA 微阵列技术的原理 | 第13-15页 |
| ·DNA 微阵列数据的特点 | 第15-16页 |
| ·DNA 微阵列技术的应用 | 第16-17页 |
| ·基于DNA 微阵列数据的癌症分类技术概述 | 第17-25页 |
| ·数据预处理 | 第19-21页 |
| ·特征基因选择 | 第21-22页 |
| ·分类器设计 | 第22-23页 |
| ·分类性能评价 | 第23-25页 |
| ·研究内容 | 第25-26页 |
| ·论文结构 | 第26-28页 |
| 第2章 基于群集智能的特征基因选择方法 | 第28-54页 |
| ·引言 | 第28页 |
| ·问题描述 | 第28-29页 |
| ·国内外研究现状 | 第29-32页 |
| ·基于蚁群的特征基因选择方法 | 第32-36页 |
| ·蚁群算法的基本原理 | 第32-34页 |
| ·基于蚁群的特征基因选择方法 | 第34-36页 |
| ·基于改进的离散粒子群的特征基因选择方法 | 第36-39页 |
| ·粒子群算法的基本原理 | 第36-37页 |
| ·基于改进的离散粒子群的特征基因选择方法 | 第37-39页 |
| ·特征基因初选 | 第39-41页 |
| ·支持向量机分类器 | 第41-44页 |
| ·实验结果与讨论 | 第44-52页 |
| ·数据集 | 第44页 |
| ·实验设置 | 第44-45页 |
| ·结果与分析 | 第45-52页 |
| ·本章小结 | 第52-54页 |
| 第3章 基于相关分析的微阵列数据集成分类方法 | 第54-74页 |
| ·引言 | 第54-55页 |
| ·集成分类方法 | 第55-61页 |
| ·集成分类有效的原因与条件 | 第55-56页 |
| ·差异度构造策略 | 第56-58页 |
| ·集成分类方法的分类 | 第58-59页 |
| ·集成分类结果的整合策略 | 第59-60页 |
| ·两种常用的集成分类方法 | 第60-61页 |
| ·微阵列数据集成分类方法概述 | 第61-63页 |
| ·基于相关分析的微阵列数据集成分类方法 | 第63-69页 |
| ·特征基因选择 | 第63-64页 |
| ·相关分析准则 | 第64-67页 |
| ·算法描述 | 第67-69页 |
| ·实验结果与讨论 | 第69-73页 |
| ·数据集 | 第69页 |
| ·结果与分析 | 第69-73页 |
| ·本章小结 | 第73-74页 |
| 第4章 基于可信分析的多类微阵列数据分类方法 | 第74-91页 |
| ·引言 | 第74页 |
| ·多类支持向量机分类器 | 第74-79页 |
| ·多类微阵列数据分类方法概述 | 第79-80页 |
| ·基于可信分析的多类微阵列数据分类方法 | 第80-89页 |
| ·可信分析准则 | 第80-82页 |
| ·基于质心距离的类别优先级评估方法 | 第82-84页 |
| ·算法描述 | 第84-85页 |
| ·实验结果与分析 | 第85-89页 |
| ·本章小结 | 第89-91页 |
| 第5章 基于无标签样本的癌症增量诊断方法 | 第91-107页 |
| ·引言 | 第91-92页 |
| ·基于无标签样本的机器学习方法 | 第92-94页 |
| ·主动学习 | 第92-93页 |
| ·半监督学习 | 第93-94页 |
| ·基于无标签样本的癌症增量诊断方法 | 第94-101页 |
| ·诊断系统框架 | 第95-96页 |
| ·分类器的选取 | 第96-98页 |
| ·诊断流程 | 第98-99页 |
| ·有效性分析 | 第99-101页 |
| ·实验结果与分析 | 第101-105页 |
| ·实验设置 | 第101页 |
| ·结果与分析 | 第101-105页 |
| ·本章小结 | 第105-107页 |
| 结论 | 第107-110页 |
| 参考文献 | 第110-124页 |
| 攻读博士学位期间发表的论文 | 第124-126页 |
| 致谢 | 第126页 |
