基于肿瘤基因表达谱数据的特征提取方法
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·生物信息学 | 第9-11页 |
| ·生物信息学简介 | 第9-10页 |
| ·研究背景与意义 | 第10-11页 |
| ·基因表达谱数据 | 第11-15页 |
| ·DNA芯片微阵列简介 | 第11-13页 |
| ·基因表达谱数据的特点与数学描述 | 第13-14页 |
| ·基因表达谱数据集 | 第14-15页 |
| ·肿瘤基因表达谱的研究现状 | 第15-17页 |
| ·本文研究内容与组织结构 | 第17-19页 |
| 第二章 基于LoG矩阵分解的肿瘤基因特征提取方法 | 第19-29页 |
| ·数据预处理 | 第19-22页 |
| ·LoG矩阵分解 | 第22-23页 |
| ·奇异值分解 | 第23-24页 |
| ·基于NMF的肿瘤基因特征提取 | 第24-25页 |
| ·实验 | 第25-28页 |
| ·实验方法 | 第25页 |
| ·实验结果与分析 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于Laplace-MMC基因选择方法 | 第29-37页 |
| ·最大边缘准则(MMC) | 第29-31页 |
| ·改进的Laplace-MMC算法 | 第31-32页 |
| ·实验数据预处理 | 第32-36页 |
| ·实验方法 | 第33-34页 |
| ·实验结果与分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于核局部线性嵌入的基因表达谱数据分类 | 第37-47页 |
| ·流形学习算法的概述 | 第38-40页 |
| ·等度规映射算法 | 第38-39页 |
| ·Hessian特征映射 | 第39页 |
| ·Riemman流形学习 | 第39-40页 |
| ·传统的局部线性嵌入算法 | 第40-41页 |
| ·有监督的局部线性嵌入算法 | 第41页 |
| ·基于核局部线性嵌入算法 | 第41-43页 |
| ·改进的度量公式 | 第41-42页 |
| ·自动选择近邻 | 第42-43页 |
| ·实验结果与分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·论文总结 | 第47页 |
| ·研究展望 | 第47-49页 |
| 参考文献 | 第49-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士研究生期间发表的论文和参与的科研项目 | 第56页 |
