基于基因表达式编程的分类算法研究及应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·论文选题及其研究意义 | 第10-11页 |
| ·选题的国内外研究现状 | 第11-14页 |
| ·决策树 | 第11-12页 |
| ·神经网络 | 第12页 |
| ·遗传算法 | 第12-13页 |
| ·其它分类方法 | 第13-14页 |
| ·论文的主要研究内容 | 第14-15页 |
| 第2章 基因表达式编程概述 | 第15-33页 |
| ·遗传算法与遗传程序设计简介 | 第15-18页 |
| ·遗传算法 | 第15-17页 |
| ·遗传程序设计 | 第17-18页 |
| ·基因表达式编程的起源和特点 | 第18-19页 |
| ·基因表达式编程的组织结构 | 第19-25页 |
| ·基因的结构和功能组织 | 第20-21页 |
| ·K-表达式 | 第21-24页 |
| ·多基因染色体及连接函数 | 第24-25页 |
| ·GEP中的适应度函数 | 第25-27页 |
| ·回归适应度函数 | 第25-26页 |
| ·分类适应度函数 | 第26-27页 |
| ·GEP中的遗传算子 | 第27-31页 |
| ·复制算了 | 第27页 |
| ·变异算了 | 第27-28页 |
| ·转座和插入序列元素算子 | 第28-29页 |
| ·重组算了 | 第29-31页 |
| ·GEP编码特点的分析 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 GEP分类方法研究及其应用 | 第33-42页 |
| ·基本 GEP分类方法 | 第33-34页 |
| ·精确与简洁 GEP分类方法 | 第34-36页 |
| ·两种 GEP分类方法的比较 | 第36-37页 |
| ·其它 GEP分类方法 | 第37-38页 |
| ·分类规则挖掘中的若干问题 | 第38-39页 |
| ·过度拟合问题 | 第38-39页 |
| ·缺失数据问题 | 第39页 |
| ·GEP在分类问题中的应用 | 第39-41页 |
| ·用GEP对分类问题建模 | 第40页 |
| ·分类结果 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 GEP神经网络及其改进算法 | 第42-59页 |
| ·用于神经网络模拟的多域基因 | 第42-43页 |
| ·特殊的遗传算子 | 第43-46页 |
| ·针对域的转座 | 第43-45页 |
| ·基因内两点重组 | 第45页 |
| ·权值和阈值的直接变异 | 第45-46页 |
| ·GEP神经网络的缺陷分析 | 第46-48页 |
| ·一种混合式 GEP神经网络 | 第48-50页 |
| ·混合式GEP神经网络方法 | 第48页 |
| ·实验参数设置 | 第48-49页 |
| ·实验结果分析 | 第49-50页 |
| ·一种改进的 GEP神经网络演化方法 | 第50-56页 |
| ·改进的GEP神经网络演化方法 | 第50-51页 |
| ·IGEPNN求解问题 | 第51-56页 |
| ·IGEPNN算法在乳腺癌诊断中的应用 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 基于 GEP决策树的分类规则挖掘 | 第59-71页 |
| ·可进化决策树 | 第59-62页 |
| ·带随机数值常数可进化决策树 | 第62-64页 |
| ·一种基于均匀常数分布的 GEP决策树算法 | 第64-68页 |
| ·标准GEP决策树算法的缺点分析 | 第64-65页 |
| ·UDC-GEPDT算法 | 第65-66页 |
| ·实验参数设置 | 第66-67页 |
| ·实验结果比较 | 第67-68页 |
| ·实验结果分析 | 第68页 |
| ·UDC-GEPDT算法在乳腺癌诊断中的应用 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第6章 结论与展望 | 第71-73页 |
| ·论文的主要工作 | 第71-72页 |
| ·论文的后续工作 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间参加的科研项目和成果 | 第78页 |
