基于机器学习的DNA序列分类算法研究
| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 前言 | 第11-17页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的及意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 主要研究内容 | 第15页 |
| 1.5 总体技术路线 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 机器学习 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 机器学习基本概念 | 第17-18页 |
| 2.3 机器学习类别 | 第18-19页 |
| 2.4 机器学习分类的基本过程 | 第19-20页 |
| 2.5 机器学习分类算法介绍 | 第20-25页 |
| 2.5.1 神经网络 | 第20-21页 |
| 2.5.2 支持向量机 | 第21-23页 |
| 2.5.3 K近邻算法 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 DNA序列特征提取及融合 | 第26-34页 |
| 3.1 DNA序列相关的理论基础 | 第26-28页 |
| 3.2 DNA序列特征提取方法 | 第28-32页 |
| 3.2.1 基于单碱基含量的特征提取法 | 第28-29页 |
| 3.2.2 基于双碱基含量的特征提取法 | 第29-30页 |
| 3.2.3 基于三碱基含量的特征提取法 | 第30-32页 |
| 3.3 三种特征提取法的融合 | 第32页 |
| 3.4 各个特征提取方法的比较 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 DNA序列特征选择算法 | 第34-42页 |
| 4.1 引言 | 第34页 |
| 4.2 主成分分析法 | 第34-38页 |
| 4.2.1 主成分分析法的介绍 | 第34-35页 |
| 4.2.2 主成分分析法的数学模型 | 第35-36页 |
| 4.2.3 主成分分析法的实现步骤 | 第36-38页 |
| 4.3 核主成分分析法 | 第38-41页 |
| 4.3.1 核方法的介绍 | 第38-40页 |
| 4.3.2 核主成分分析法的理论简介 | 第40页 |
| 4.3.3 核主成分分析法的基本原理 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 K近邻算法的分类实现及结果分析 | 第42-53页 |
| 5.1 K近邻算法 | 第42-44页 |
| 5.1.1 K近邻算法的基本思路 | 第42页 |
| 5.1.2 相似度计算 | 第42-43页 |
| 5.1.3 K近邻算法的计算步骤 | 第43-44页 |
| 5.2 数据准备 | 第44-45页 |
| 5.3 构建K近邻算法的分类流程 | 第45-46页 |
| 5.4 分类效果的评估 | 第46-48页 |
| 5.4.1 评估因素 | 第46-47页 |
| 5.4.2 混淆矩阵 | 第47页 |
| 5.4.3 评估指标 | 第47-48页 |
| 5.5 实验结果及分析 | 第48-50页 |
| 5.5.1 分类准确率 | 第48-49页 |
| 5.5.2 响应时间 | 第49-50页 |
| 5.6 影响分类效果的其他因素 | 第50-52页 |
| 5.6.1 样本量影响 | 第50-51页 |
| 5.6.2 训练样本与测试样本的比例 | 第51-52页 |
| 5.7 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的学术论文 | 第59页 |
