| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 课题背景和意义 | 第9页 |
| 1.2 领域研究现状 | 第9-10页 |
| 1.3 本文主要工作 | 第10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 第2章 研究背景介绍 | 第12-32页 |
| 2.1 生物背景介绍 | 第12页 |
| 2.2 相关算法及结果评估介绍 | 第12-23页 |
| 2.2.1 线性回归 | 第12-13页 |
| 2.2.2 岭回归 | 第13-15页 |
| 2.2.3 Lasso回归 | 第15-17页 |
| 2.2.4 反向传导算法 | 第17-19页 |
| 2.2.5 自组织特征映射神经网络SOM | 第19-22页 |
| 2.2.6 实验结果评价标准 | 第22-23页 |
| 2.3 深度学习及其配置环境介绍 | 第23-31页 |
| 2.3.1 深度学习的背景及发展过程 | 第23页 |
| 2.3.2 神经元模型 | 第23-25页 |
| 2.3.3 神经网络的分类 | 第25-26页 |
| 2.3.4 卷积神经网络 | 第26-30页 |
| 2.3.5 CUDA及GPU加速介绍 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于卷积神经网络的深度学习的基因表达预测方法 | 第32-42页 |
| 3.1 数据来源 | 第32-33页 |
| 3.2 基于深度学习的基因表达预测方法介绍 | 第33-38页 |
| 3.2.1 算法理论 | 第33-36页 |
| 3.2.2 算法流程 | 第36-38页 |
| 3.3 基于卷积神经网络的深度学习的基因表达预测方法及流程介绍 | 第38-41页 |
| 3.3.1 算法思考背景及思想 | 第38页 |
| 3.3.2 算法架构 | 第38-39页 |
| 3.3.3 算法流程 | 第39-40页 |
| 3.3.4 程序伪代码 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 实验结果及分析 | 第42-48页 |
| 4.1 GEO数据集上的结果与分析 | 第42-44页 |
| 4.2 GTEX数据集上的结果与分析 | 第44-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 作者简介及在学期间取得的科研成果 | 第52-53页 |
| 致谢 | 第53页 |