支持向量机在基因表达数据中的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-18页 |
| ·问题的提出及研究意义 | 第11-12页 |
| ·选题背景及研究现状 | 第12-16页 |
| ·基因微阵列表达数据的研究现状 | 第12-13页 |
| ·支持向量机的研究现状 | 第13-14页 |
| ·支持向量机在基因表达数据中的研究现状 | 第14-16页 |
| ·本文主要工作和创新点 | 第16-18页 |
| 第二章 基因表达数据 | 第18-32页 |
| ·生物信息学概述 | 第18-21页 |
| ·飞速增长的生物信息学 | 第18-19页 |
| ·生物信息学的研究内容 | 第19-20页 |
| ·生物信息学的研究意义 | 第20-21页 |
| ·基因芯片技术 | 第21-22页 |
| ·基因表达数据分析 | 第22-32页 |
| ·基因表达数据的采集 | 第23-25页 |
| ·基因表达数据的预处理 | 第25-28页 |
| ·基因表达数据分析 | 第28-32页 |
| 第三章 基因表达数据中的特征选择与提取方法 | 第32-39页 |
| ·引言 | 第32-33页 |
| ·特征选择方法 | 第33-36页 |
| ·信噪比方法(S2N) | 第33-34页 |
| ·递归特征消除(RFE) | 第34-35页 |
| ·选择合适数目的特征 | 第35-36页 |
| ·特征提取方法 | 第36-39页 |
| ·主成分分析 | 第36-37页 |
| ·核主成分分析 | 第37-39页 |
| 第四章 分类问题和支持向量机理论 | 第39-52页 |
| ·引言 | 第39-40页 |
| ·分类方法概述 | 第40-41页 |
| ·统计学习理论 | 第41-44页 |
| ·机器学习 | 第41页 |
| ·VC维 | 第41-42页 |
| ·推广性的界 | 第42-43页 |
| ·结构风险最小化 | 第43-44页 |
| ·支持向量机理论 | 第44-46页 |
| ·广义最优化分类面 | 第44-45页 |
| ·支持向量机基本理论 | 第45-46页 |
| ·支持向量机分类算法 | 第46-52页 |
| ·二分类算法 | 第46-47页 |
| ·多分类算法 | 第47-52页 |
| 第五章 基因表达数据分类实验 | 第52-63页 |
| ·问题的提出 | 第52页 |
| ·实验数据与来源 | 第52-54页 |
| ·数据处理 | 第54-55页 |
| ·分类器构造 | 第55-57页 |
| ·实验结果与分析 | 第57-62页 |
| ·二分类情况 | 第58-60页 |
| ·多分类情况 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70-71页 |
| 致谢 | 第71页 |
