| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 NDA微阵列简介 | 第9-10页 |
| 1.2 微阵列数据现状 | 第10-11页 |
| 1.3 微阵列基因表达数据意义 | 第11-12页 |
| 1.4 生物信息学 | 第12-13页 |
| 1.5 生物芯片和微阵列信息处理 | 第13-15页 |
| 1.5.1 生物芯片技术 | 第13-14页 |
| 1.5.2 微阵列基因表达数据 | 第14页 |
| 1.5.3 微阵列基因表达数据的研究现状 | 第14-15页 |
| 1.6 论文主要内容的安排 | 第15-17页 |
| 第2章 面向高维微阵列数据的混合特征选择 | 第17-25页 |
| 2.1 集成学习算法 | 第17-18页 |
| 2.2 特征选择的概念 | 第18-21页 |
| 2.2.1 信噪比方法 | 第18-19页 |
| 2.2.2 Lasso方法 | 第19-20页 |
| 2.2.3 Filter方法 | 第20-21页 |
| 2.2.4 Wrapper方法 | 第21页 |
| 2.3 常用的特征选择算法 | 第21-25页 |
| 2.3.1 信噪比与Lasso混合算法 | 第21-24页 |
| 2.3.2 Filter与Wrapper混合算法 | 第24-25页 |
| 第3章 PSO算法与Relief算法 | 第25-29页 |
| 3.1 PSO算法 | 第25-26页 |
| 3.2 PSO算法的特点 | 第26-27页 |
| 3.3 Relief算法 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 Relief-PSO混合算法在基因微阵列特征选择中的应用 | 第29-36页 |
| 4.1 Relief-PSO混合特征算法 | 第29-33页 |
| 4.2 实验过程与实验结果分析 | 第33-34页 |
| 4.3 本章小结 | 第34-36页 |
| 第5章 结论与展望 | 第36-37页 |
| 参考文献 | 第37-40页 |
| 在学研究成果 | 第40-41页 |
| 致谢 | 第41页 |