基于ELM的肿瘤基因表达数据分类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 导论 | 第10-16页 |
| 1.1 肿瘤基因表达数据分类研究背景 | 第10-11页 |
| 1.2 肿瘤基因表达数据分类研究意义 | 第11-13页 |
| 1.3 论文主要工作及结构安排 | 第13页 |
| 1.4 课题来源 | 第13-16页 |
| 第2章 基因表达数据分类研究概述 | 第16-30页 |
| 2.1 基因表达数据分类模型 | 第16-18页 |
| 2.2 基因表达数据的特点 | 第18-19页 |
| 2.3 常用的基因表达数据分类算法 | 第19-25页 |
| 2.3.1 支持向量机算法 | 第19-21页 |
| 2.3.2 朴素贝叶斯算法 | 第21-23页 |
| 2.3.3 K邻近算法 | 第23-25页 |
| 2.4 肿瘤基因表达数据分类研究现状 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 ELM相异性集成算法 | 第30-42页 |
| 3.1 相关理论基础 | 第30-36页 |
| 3.1.1 极限学习机 | 第30-33页 |
| 3.1.2 集成学习 | 第33-34页 |
| 3.1.3 相异性集成 | 第34-35页 |
| 3.1.4 相异性度量方法 | 第35-36页 |
| 3.2 算法分析 | 第36-38页 |
| 3.3 算法描述 | 第38页 |
| 3.4 算法流程图 | 第38-39页 |
| 3.5 本章小结 | 第39-42页 |
| 第4章 代价敏感ELM算法 | 第42-50页 |
| 4.1 相关理论基础 | 第42-46页 |
| 4.1.1 代价敏感学习 | 第42-43页 |
| 4.1.2 贝叶斯决策论 | 第43-45页 |
| 4.1.3 ELM集成概率 | 第45-46页 |
| 4.2 算法分析 | 第46-48页 |
| 4.3 算法描述 | 第48页 |
| 4.4 算法流程图 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验结果与性能分析 | 第50-56页 |
| 5.1 测试用数据集简介 | 第50-51页 |
| 5.2 ELM相异性集成算法结果与分析 | 第51-53页 |
| 5.3 代价敏感ELM算法结果与分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间学术成果 | 第64页 |
