基于压缩感知的癌症基因表达数据的分类研究
| 致谢 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-10页 |
| 目次 | 第10-12页 |
| 图清单 | 第12-13页 |
| 表清单 | 第13-14页 |
| 1 绪论 | 第14-19页 |
| ·研究背景 | 第14-15页 |
| ·基因表达数据简介 | 第15-17页 |
| ·基因表达数据的表示 | 第15页 |
| ·基因表达数据的主要特点 | 第15-16页 |
| ·基因表达数据的分类方法 | 第16-17页 |
| ·研究意义 | 第17页 |
| ·本文的主要工作 | 第17-18页 |
| ·本文各章节的安排 | 第18-19页 |
| 2 压缩感知原理 | 第19-27页 |
| ·背景 | 第19页 |
| ·压缩感知基础理论 | 第19-24页 |
| ·信号的稀疏表示 | 第20页 |
| ·观测矩阵的设计 | 第20-22页 |
| ·信号的重构 | 第22-24页 |
| ·压缩感知的应用 | 第24-26页 |
| ·压缩成像 | 第24页 |
| ·模拟/信息的转换 | 第24-25页 |
| ·人脸识别 | 第25页 |
| ·基因表达数据的分类 | 第25-26页 |
| ·小结 | 第26-27页 |
| 3 癌症基因表达数据分类的框架 | 第27-38页 |
| ·癌症基因表达数据的预处理 | 第28-31页 |
| ·数据的归一化处理 | 第28页 |
| ·特征选择 | 第28-31页 |
| ·分类器简介 | 第31-37页 |
| ·Bagging 神经网络 | 第31-33页 |
| ·支持向量机 | 第33-35页 |
| ·极限学习机 | 第35-37页 |
| ·实验设置 | 第37-38页 |
| 4 L1 范数最小化的基因表达数据分类研究 | 第38-46页 |
| ·引言 | 第38-39页 |
| ·L1 范数最小化的分类方法 | 第39-41页 |
| ·完备字典的构建 | 第39页 |
| ·传感矩阵的建立和稀疏表示 | 第39-40页 |
| ·L1 范数最小化的重构算法 | 第40页 |
| ·分类总算法 | 第40-41页 |
| ·实验结果与分析 | 第41-45页 |
| ·对于二分类的 Lung 数据 | 第43页 |
| ·对于四分类的 SRBCT 数据 | 第43-44页 |
| ·对于五分类的 Brain 数据 | 第44页 |
| ·实验分析 | 第44-45页 |
| ·小结 | 第45-46页 |
| 5 正交匹配追踪的基因表达数据分类研究 | 第46-54页 |
| ·引言 | 第46页 |
| ·正交匹配追踪算法 | 第46-47页 |
| ·正交匹配追踪的分类方法 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·分类的精确度 | 第48页 |
| ·算法耗时 | 第48-50页 |
| ·不同降维方法下的分类精度 | 第50-53页 |
| ·小结 | 第53-54页 |
| 6 总结 | 第54-56页 |
| ·研究总结 | 第54页 |
| ·下一步需要展开的工作 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历 | 第59页 |
