| 摘要 | 第1-8页 |
| ABSTRACT | 第8-17页 |
| 第一章 绪论 | 第17-48页 |
| ·广义灰色分析体系及其解析的基本问题 | 第17-23页 |
| ·广义灰色分析体系 | 第17-19页 |
| ·广义灰色分析体系与白灰黑分析体系的理论基础与区别 | 第19-20页 |
| ·广义灰色分析体系解析的基本问题 | 第20-23页 |
| ·广义灰色分析体系的多变量建模方法 | 第23-30页 |
| ·线性模型及其算法 | 第24-27页 |
| ·非线性模型及其算法 | 第27-29页 |
| ·集成学习建模及其算法 | 第29-30页 |
| ·广义灰色分析体系的模型评价 | 第30-37页 |
| ·独立测试集法 | 第32页 |
| ·交互检验法 | 第32-37页 |
| ·广义灰色分析体系的变量选择 | 第37-44页 |
| ·变量选择的重要性 | 第37-39页 |
| ·常用变量选择方法 | 第39-44页 |
| ·现有变量选择方法的缺陷 | 第44页 |
| ·广义灰色分析体系的模型应用域 | 第44-45页 |
| ·本论文的主要研究内容 | 第45-48页 |
| 第一部分 模型集群分析 | 第48-62页 |
| 第二章 MPA的产生背景及基本要素 | 第48-62页 |
| ·广义灰色分析体系与软模型的不确定性和统计稳定性 | 第48-50页 |
| ·一次性建模思路的数据分析方法的缺陷 | 第50-53页 |
| ·样本对变量选择的影响 | 第52-53页 |
| ·变量对变量选择的影响 | 第53页 |
| ·模型集群分析及其基本要素 | 第53-56页 |
| ·模型集群分析的三要素 | 第54-56页 |
| ·模型集群分析的四空间 | 第56页 |
| ·模型集群分析与Bayesian分析 | 第56页 |
| ·模型集群分析应用初探 | 第56-61页 |
| ·一个关于PLS-LDA过拟合的例子 | 第57-58页 |
| ·模型的线性与非线性的影响 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第二部分 广义灰色分析体系的模型评价 | 第62-72页 |
| 第三章 基于MPA的变量集预测能力的统计比较 | 第62-72页 |
| ·引言 | 第62-63页 |
| ·基于MPA的变量集预测能力评价原理与算法 | 第63-64页 |
| ·获取子数据集 | 第63页 |
| ·建立子模型 | 第63-64页 |
| ·对两个模型的预测误差的差值进行统计分析 | 第64页 |
| ·数据 | 第64-65页 |
| ·玉米近红外数据 | 第64页 |
| ·Ⅱ型糖尿病数据 | 第64-65页 |
| ·结果与讨论 | 第65-71页 |
| ·玉米近红外数据 | 第65-69页 |
| ·Ⅱ型糖尿病数据 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第三部分 广义灰色分析体系的变量选择 | 第72-143页 |
| 第四章 基于MPA的子窗口重排分析与重要代谢物筛选 | 第72-82页 |
| ·引言 | 第72-73页 |
| ·SPA原理与算法 | 第73-77页 |
| ·子数据集采样 | 第74-75页 |
| ·建立PLS-LDA子模型 | 第75页 |
| ·对预测误差进行统计分析 | 第75-77页 |
| ·SPA计算软件 | 第77页 |
| ·实验与数据 | 第77页 |
| ·Ⅱ型糖尿病数据 | 第77页 |
| ·儿童超重数据 | 第77页 |
| ·结果与讨论 | 第77-81页 |
| ·Ⅱ型糖尿病数据 | 第77-79页 |
| ·儿童超重数据 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 第五章 基于MPA的支持向量机变量选择方法及应用 | 第82-99页 |
| ·引言 | 第82-83页 |
| ·支持向量机原理 | 第83-90页 |
| ·维数优势与线性可分性 | 第84页 |
| ·核函数 | 第84-85页 |
| ·支持向量分类机 | 第85-89页 |
| ·支持向量回归机 | 第89-90页 |
| ·MIA原理与算法 | 第90-93页 |
| ·子数据集采样 | 第91页 |
| ·建立SVM子模型 | 第91-92页 |
| ·对SVM间隔进行统计分析 | 第92-93页 |
| ·MIA计算软件 | 第93页 |
| ·数据 | 第93-94页 |
| ·结果与讨论 | 第94-97页 |
| ·模拟实验 | 第94页 |
| ·基因表达数据 | 第94-97页 |
| ·本章小结 | 第97-99页 |
| 第六章 基于MPA的竞争自适应重加权采样及应用 | 第99-112页 |
| ·引言 | 第99-100页 |
| ·原理与算法 | 第100-103页 |
| ·变量重要性评价 | 第100-101页 |
| ·指数衰减函数 | 第101-102页 |
| ·自适应采样 | 第102-103页 |
| ·CARS计算软件 | 第103页 |
| ·数据 | 第103-104页 |
| ·结果与讨论 | 第104-110页 |
| ·玉米水分数据 | 第104-108页 |
| ·玉米蛋白质数据 | 第108-110页 |
| ·本章小结 | 第110-112页 |
| 第七章 基于MPA的变量条件重要性与心血管疾病研究 | 第112-121页 |
| ·引言 | 第112-113页 |
| ·原理与算法 | 第113-114页 |
| ·子数据集采样 | 第113页 |
| ·采用最小二乘法建立子模型 | 第113-114页 |
| ·变量的条件重要性评价 | 第114页 |
| ·实验与数据 | 第114-115页 |
| ·结果与讨论 | 第115-120页 |
| ·代谢综合征 | 第115-117页 |
| ·早期动脉粥样硬化 | 第117-120页 |
| ·本章小结 | 第120-121页 |
| 第八章 基于MPA的随机青蛙算法与基因表达数据分析 | 第121-131页 |
| ·引言 | 第121-122页 |
| ·原理与算法 | 第122-125页 |
| ·逆跳马尔科夫蒙特卡洛 | 第122-123页 |
| ·随机青蛙原理与算法 | 第123-125页 |
| ·随机青蛙计算软件 | 第125页 |
| ·基因表达数据 | 第125页 |
| ·结果与讨论 | 第125-130页 |
| ·Colon数据 | 第125-128页 |
| ·Estrogen数据 | 第128-130页 |
| ·计算时间 | 第130页 |
| ·本章小节 | 第130-131页 |
| 第九章 基于MPA的变量互补信息网与代谢物关联研究 | 第131-143页 |
| ·引言 | 第131-132页 |
| ·原理与算法 | 第132-135页 |
| ·子数据集采样 | 第132页 |
| ·建立PLS-LDA子模型 | 第132页 |
| ·变量互补信息网的计算与可视化 | 第132-135页 |
| ·VCN计算软件 | 第135页 |
| ·数据 | 第135-136页 |
| ·模拟数据 | 第135-136页 |
| ·Ⅱ型糖尿病数据 | 第136页 |
| ·术后认知障碍数据 | 第136页 |
| ·结果与讨论 | 第136-141页 |
| ·模拟数据 | 第136-138页 |
| ·Ⅱ型糖尿病数据 | 第138-139页 |
| ·术后认知障碍数据 | 第139-141页 |
| ·本章小结 | 第141-143页 |
| 第四部分 模型应用域 | 第143-150页 |
| 第十章 模型应用域的初步探索 | 第143-150页 |
| ·分析样本的相似度 | 第143-144页 |
| ·模型应用域与新样本预测精度 | 第144-145页 |
| ·模型应用域的初步探索 | 第145-148页 |
| ·本章小结 | 第148-150页 |
| 参考文献 | 第150-164页 |
| 致谢 | 第164-165页 |
| 攻读博士学位期间主要研究成果 | 第165-168页 |
