| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·代谢组学背景介绍 | 第8-9页 |
| ·代谢组学的定义及其特点 | 第8页 |
| ·数据的采集技术以及数据分析技术 | 第8-9页 |
| ·支持向量机与代谢组学数据处理传统方法的关系 | 第9-10页 |
| ·本文的主要工作 | 第10-11页 |
| 2 代谢组学数据处理技术 | 第11-25页 |
| ·无监督的模式识别方法 | 第11-14页 |
| ·聚类分析 | 第11-13页 |
| ·主成分分析 | 第13-14页 |
| ·有监督的学习方法 | 第14-20页 |
| ·K最近邻法 | 第15页 |
| ·支持向量机 | 第15-20页 |
| ·特征选择方法 | 第20-24页 |
| ·FCBF特征选择方法 | 第21-22页 |
| ·基于支持向量机的特征选择方法 | 第22-23页 |
| ·随机森林的特征选择方法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 基于支持向量机的时间序列数据研究 | 第25-38页 |
| ·植物代谢组学简介 | 第25-26页 |
| ·样品数据背景及数据预处理-水稻纹枯病 | 第26-30页 |
| ·背景信息 | 第26-27页 |
| ·样品信息 | 第27页 |
| ·数据预处理方法 | 第27-28页 |
| ·特征的统计学分析 | 第28-29页 |
| ·模型参数评价 | 第29-30页 |
| ·时间序列数据处理策略 | 第30-33页 |
| ·生长因素的寻找 | 第30-32页 |
| ·疾病因素的寻找 | 第32-33页 |
| ·结果分析与比较 | 第33-37页 |
| ·PCA处理结果分析 | 第33-34页 |
| ·SVM与PLS-DA的比较分析 | 第34-36页 |
| ·潜在生物标记物分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 一种基于动态过滤因子的SVM-RFE特征选择方法 | 第38-51页 |
| ·SVM-RFE的发展过程及相关工作 | 第38-41页 |
| ·一种改进的特征选择方法—SVM-RFE-DFF | 第41-43页 |
| ·基于融合特征选择技术的SVM-RFE-DFF | 第43-44页 |
| ·实验结果分析与讨论 | 第44-49页 |
| ·数据实验背景 | 第44页 |
| ·数据预处理 | 第44页 |
| ·SVM-RFE-DFF与SVM-RFE之间的比较 | 第44-46页 |
| ·融合的特征选择方法比较 | 第46-49页 |
| ·显著性差异代谢物 | 第49页 |
| ·本章小结 | 第49-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-58页 |