| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 基因数据分析的国内外研究现状 | 第11-14页 |
| 1.3 本文研究目标和工作安排 | 第14-16页 |
| 第二章 微列阵技术与基因表达数据 | 第16-26页 |
| 2.1 DNA微列阵的生物信息学背景 | 第17-19页 |
| 2.2 DNA微列阵的原理、分类及应用 | 第19-21页 |
| 2.2.1 DNA微列阵的原理及分类 | 第19-20页 |
| 2.2.2 DNA微列阵的应用 | 第20-21页 |
| 2.3 基因表达数据的获取及表示 | 第21-24页 |
| 2.4 基因表达数据的特性 | 第24页 |
| 2.5 本文实验数据集 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 数据降维 | 第26-41页 |
| 3.1 数据降维的基本概念 | 第26-27页 |
| 3.2 常见的数据降维方法 | 第27-35页 |
| 3.2.1 稀疏主成分分析 | 第28-30页 |
| 3.2.2 拉普拉斯特征值映射法 | 第30-32页 |
| 3.2.3 广义判别分析 | 第32-33页 |
| 3.2.4 多维度标度法 | 第33-35页 |
| 3.3 降维方法的效果对比 | 第35-40页 |
| 3.3.1 intersect数据集 | 第36-37页 |
| 3.3.2 twinpeaks数据集 | 第37-38页 |
| 3.3.3 3d_clusters数据集 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于SVM的数据分类 | 第41-54页 |
| 4.1 数据分类的概述 | 第41-42页 |
| 4.2 支持向量机理论 | 第42-49页 |
| 4.2.1 线性SVM | 第43-45页 |
| 4.2.2 非线性SVM | 第45-47页 |
| 4.2.3 构造支持向量机 | 第47-48页 |
| 4.2.4 SVM的主要优点 | 第48-49页 |
| 4.3 SVM参数对分类的影响分析 | 第49-53页 |
| 4.3.1 Prostate Cancer数据的优化 | 第50-51页 |
| 4.3.2 Leukemia数据的优化 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 实验与分析 | 第54-70页 |
| 5.1 癌症基因数据分类 | 第54-68页 |
| 5.1.1 数据分类策略 | 第54-55页 |
| 5.1.2 Prostate Cancer数据分类 | 第55-61页 |
| 5.1.3 Leukemia数据分类 | 第61-68页 |
| 5.2 结论 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读学位期间本人出版或公开发表的论著、论文 | 第77-78页 |
| 致谢 | 第78-79页 |