基于流形学习的生物数据特征提取方法
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 第一章 引言 | 第12-16页 |
| ·研究背景 | 第12-13页 |
| ·生物信息学应用及展望 | 第13页 |
| ·研究目的及现状 | 第13-15页 |
| ·本文研究提纲 | 第15-16页 |
| 第二章 实验方案设计与研究方法 | 第16-30页 |
| ·引言 | 第16页 |
| ·流形的概念 | 第16-17页 |
| ·线性的流形学习算法 | 第17-20页 |
| ·主成分分析算法（PCA） | 第17-19页 |
| ·线性流形学习算法总结 | 第19-20页 |
| ·非线性的流形学习算法 | 第20-30页 |
| ·等度规映射算法 | 第20-22页 |
| ·局部线性嵌入算法（LLE） | 第22-25页 |
| ·非负矩阵分解算法（NMF） | 第25-30页 |
| 第三章 处理基因芯片的分类学习算法 | 第30-48页 |
| ·引言以及基因芯片简介 | 第30-32页 |
| ·线性分类器算法 | 第32-37页 |
| ·支持向量机算法 | 第32-35页 |
| ·最小二乘法算法 | 第35-37页 |
| ·非线性分类器算法 | 第37-48页 |
| ·引言 | 第37页 |
| ·非线性支持向量机分类器理论推导 | 第37-39页 |
| ·神经网络算法 | 第39-44页 |
| ·贝叶斯分类器 | 第44-45页 |
| ·马尔科夫链模型 | 第45-46页 |
| ·隐马尔科夫链模型 | 第46-48页 |
| 第四章 基于流形学习的生物数据特征提取算法 | 第48-58页 |
| ·基于非负矩阵分解的肿瘤数据分类 | 第48-53页 |
| ·实验方法与实验材料 | 第48-51页 |
| ·实验结果与讨论 | 第51-52页 |
| ·结论 | 第52-53页 |
| ·基于保守自适应 K-最近邻算法的维数约简 | 第53-58页 |
| ·问题描述和实验材料 | 第53页 |
| ·保守自适应K-最近邻算法步骤与结果 | 第53-57页 |
| ·结论 | 第57-58页 |
| 第五章 结束语 | 第58-60页 |
| ·全文总结 | 第58页 |
| ·进一步设想 | 第58页 |
| ·心得体会 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 附录 | 第66页 |
| 一、在校期间发表的学术论文 | 第66页 |
