基因表达数据挖掘若干关键技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 第一章 绪论 | 第15-31页 |
| ·基因表达数据及其特性 | 第15-18页 |
| ·基因表达数据 | 第15-17页 |
| ·基因表达数据特性 | 第17-18页 |
| ·基因表达数据挖掘研究现状 | 第18-23页 |
| ·有监督学习 | 第18-22页 |
| ·无监督学习 | 第22页 |
| ·基因调控网络重建 | 第22-23页 |
| ·基因表达数据集 | 第23-25页 |
| ·论文的主要研究内容 | 第25-27页 |
| ·论文的结构 | 第27-31页 |
| 第二章 特征选择和关联规则挖掘 | 第31-39页 |
| ·特征选择 | 第31-35页 |
| ·Filter类 | 第32-33页 |
| ·Wrapper类 | 第33-34页 |
| ·Embedded类 | 第34-35页 |
| ·关联规则挖掘 | 第35-38页 |
| ·频繁模式与关联规则挖掘算法 | 第35-37页 |
| ·关联规则在分类上的应用 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于条件互信息的快速基因筛选 | 第39-55页 |
| ·引言 | 第39页 |
| ·基于近似条件互信息度量的特征集筛选 | 第39-42页 |
| ·算法效率的优化 | 第42-44页 |
| ·基于核密度估计的条件互信息度量 | 第44-46页 |
| ·数值实验和结果分析 | 第46-52页 |
| ·实验设置 | 第46-47页 |
| ·特征集评估 | 第47-50页 |
| ·算法效率分析 | 第50-51页 |
| ·生物学验证 | 第51-52页 |
| ·本章小结 | 第52-55页 |
| 第四章 结合分类算法的基因集优化 | 第55-69页 |
| ·引言 | 第55页 |
| ·支持向量机与支持向量机迭代特征剔除 | 第55-57页 |
| ·支持向量机与最小二乘支持向量机 | 第55-57页 |
| ·支持向量机迭代特征剔除 | 第57页 |
| ·采用分而治之策略支持向量机迭代特征剔除 | 第57-60页 |
| ·子空间抽取 | 第58-59页 |
| ·子空间中的特征重要性计算 | 第59页 |
| ·特征的全局重要性计算 | 第59-60页 |
| ·算法 | 第60页 |
| ·数值实验和结果分析 | 第60-68页 |
| ·实验设置 | 第60-61页 |
| ·子空间生成方法比较 | 第61-63页 |
| ·特征集评估 | 第63-65页 |
| ·算法效率分析 | 第65-67页 |
| ·生物学验证 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 基于格结构的关联规则筛选及分类器构建 | 第69-93页 |
| ·引言 | 第69-71页 |
| ·两种基于格结构的关联规则兴趣度 | 第71-73页 |
| ·Max-Subrule-Conf兴趣度 | 第71-72页 |
| ·Min-Subrule-Conf兴趣度 | 第72-73页 |
| ·递增式快速关联规则挖掘算法 | 第73-83页 |
| ·递增式挖掘算法框架 | 第75-78页 |
| ·结合兴趣度的剪枝策略 | 第78-80页 |
| ·启发式优化策略 | 第80-81页 |
| ·算法 | 第81-83页 |
| ·分类器构建 | 第83-84页 |
| ·数值实验与结果分析 | 第84-91页 |
| ·实验设置 | 第84-85页 |
| ·算法效率分析 | 第85-87页 |
| ·分类精度 | 第87-89页 |
| ·参数敏感性分析 | 第89-90页 |
| ·分类器复杂度分析 | 第90-91页 |
| ·本章小结 | 第91-93页 |
| 第六章 基于核密度估计的关联规则筛选及分类器构建 | 第93-109页 |
| ·引言 | 第93-95页 |
| ·基于核密度估计的关联规则兴趣度 | 第95-98页 |
| ·近似挖掘算法 | 第98-100页 |
| ·分类器构架 | 第100-102页 |
| ·实验结果与分析 | 第102-107页 |
| ·实验设置 | 第102页 |
| ·算法性能分析 | 第102-104页 |
| ·参数敏感性分析 | 第104-105页 |
| ·噪声敏感性分析 | 第105-107页 |
| ·本章小结 | 第107-109页 |
| 结论 | 第109-113页 |
| 参考文献 | 第113-121页 |
| 攻读博士学位期间取得的研究成果 | 第121-123页 |
| 致谢 | 第123页 |
