面向生物数据分析的支持向量机技术的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪 论 | 第11-31页 |
| ·统计学习问题研究的几个历史阶段 | 第11-19页 |
| ·Rosenblatt 的感知器时期 | 第12-16页 |
| ·学习理论基础的创立时期 | 第16页 |
| ·神经网络时代 | 第16-18页 |
| ·统计学习理论的完善和应用阶段 | 第18-19页 |
| ·SVM 的发展和应用 | 第19-23页 |
| ·生物信息处理技术 | 第23-27页 |
| ·生物信息学及发展概况 | 第23-26页 |
| ·SVM 等学习方法在生物信息学中的应用 | 第26-27页 |
| ·并行SVM 的发展现状 | 第27-28页 |
| ·论文的主要研究内容 | 第28-31页 |
| 第2章 统计学习理论基础 | 第31-51页 |
| ·机器学习问题 | 第31-32页 |
| ·传统的统计学习方法 | 第32-37页 |
| ·经验风险最小化 | 第33-35页 |
| ·复杂性与推广能力 | 第35-37页 |
| ·统计学习理论及其核心内容 | 第37-46页 |
| ·学习过程一致性的条件 | 第37-39页 |
| ·VC 维和学习过程收敛速度的界 | 第39-44页 |
| ·结构风险最小化 | 第44-46页 |
| ·支持向量机概述 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 第3章 支持向量分类机 | 第51-77页 |
| ·分类问题 | 第51-53页 |
| ·线性可分的SVM | 第53-61页 |
| ·线性可分SVM 的原始最优化问题 | 第53-55页 |
| ·对偶问题及与原始问题的关系 | 第55-60页 |
| ·线性可分SVM 学习算法 | 第60-61页 |
| ·近似线性可分问题与线性SVM | 第61-66页 |
| ·线性SVM 的原始问题 | 第61-62页 |
| ·线性SVM 的对偶问题 | 第62-64页 |
| ·线性SVM 学习算法 | 第64-66页 |
| ·线性不可分问题与SVM | 第66-72页 |
| ·SVM 原始问题 | 第67-68页 |
| ·SVM 对偶问题 | 第68-69页 |
| ·SVM 学习算法 | 第69页 |
| ·带惩罚参数的SVM | 第69-72页 |
| ·ν-SVC | 第72-76页 |
| ·ν- SVC 学习方法 | 第72-75页 |
| ·参数ν的含义 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第4章 DNA 序列中功能域的识别 | 第77-103页 |
| ·基因数据的表示和提取 | 第78-80页 |
| ·基因数据的特征提取方法 | 第80-86页 |
| ·特征提取方法 | 第80-84页 |
| ·构造训练集 | 第84-86页 |
| ·SVM 训练方法及SMO 算法 | 第86-94页 |
| ·SMO 算法 | 第88-89页 |
| ·两个Lagrange 乘子的选择 | 第89页 |
| ·两个Lagrange 乘子的优化过程 | 第89-92页 |
| ·b 值的更新 | 第92-94页 |
| ·基因与基因间区的分类问题的实现 | 第94-99页 |
| ·训练数据的预处理 | 第94-95页 |
| ·训练SVM 分类器 | 第95-96页 |
| ·实验结果与分析 | 第96-99页 |
| ·编码区与非编码区的分类问题的实现 | 第99-101页 |
| ·特征提取和构造训练集 | 第100页 |
| ·训练SVM 和测试结果 | 第100-101页 |
| ·本章小结 | 第101-103页 |
| 第5章 SVM 与其它学习方法的比较 | 第103-119页 |
| ·LOGISTIC 回归方法 | 第103-108页 |
| ·二元Logistic 回归 | 第104-105页 |
| ·BLR 分析结果 | 第105-107页 |
| ·与SVM 方法的对比 | 第107-108页 |
| ·人工神经网络 | 第108-117页 |
| ·ANN 学习方法 | 第108-111页 |
| ·ANN 学习算法的实现 | 第111-115页 |
| ·与SVM 方法的对比 | 第115-117页 |
| ·本章小结 | 第117-119页 |
| 第6章 并行SVM 初探 | 第119-125页 |
| ·遗传算法 | 第119-120页 |
| ·并行支持向量机 | 第120-123页 |
| ·在训练SVM 中使用遗传算法 | 第120-122页 |
| ·新假设的产生 | 第122-123页 |
| ·试验结果及讨论 | 第123-125页 |
| 结论与展望 | 第125-129页 |
| 论文中主要的创新点 | 第125-126页 |
| 进一步的研究和展望 | 第126-129页 |
| 参考文献 | 第129-135页 |
| 攻读博士学位期间发表的学术论文 | 第135-136页 |
| 致谢 | 第136页 |
