| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1. 研究背景和研究意义 | 第12-13页 |
| 1.2. 面临的挑战 | 第13-14页 |
| 1.2.1 单源生物数据的潜在生物模块发现 | 第13页 |
| 1.2.2 乳腺癌的早期诊断 | 第13-14页 |
| 1.2.3 多源生物数据关联模块发现 | 第14页 |
| 1.3. 本文的主要工作 | 第14-17页 |
| 1.3.1 基于非负矩阵分解的潜在生物信息发现 | 第15-16页 |
| 1.3.2 基于深度学习的乳腺癌早期诊断 | 第16页 |
| 1.3.3 多源生物数据关联模块发现 | 第16-17页 |
| 1.4. 本文的内容安排 | 第17-19页 |
| 第二章 相关研究综述 | 第19-30页 |
| 2.1. 非负矩阵分解及其在单源生物数据信息发现中的研究 | 第19-21页 |
| 2.1.1 非负矩阵分解 | 第19-20页 |
| 2.1.2 单源生物数据的潜在信息发现 | 第20-21页 |
| 2.2. 深度学习及其在乳腺癌诊断中的研究 | 第21-24页 |
| 2.2.1 深度学习 | 第22-23页 |
| 2.2.2 乳腺癌的早期诊断 | 第23-24页 |
| 2.3. 多源数据整合分析及其在生物数据中的研究 | 第24-28页 |
| 2.3.1 多源数据整合 | 第24-27页 |
| 2.3.2 多源生物数据的潜在信息发现 | 第27-28页 |
| 2.4. 本章小结 | 第28-30页 |
| 第三章 基于非负矩阵分解的潜在生物模块发现 | 第30-56页 |
| 3.1. 引言 | 第30-31页 |
| 3.2. 多约束非负矩阵分解 | 第31-34页 |
| 3.2.1 数学符号表示 | 第32页 |
| 3.2.2 非负矩阵分解 | 第32-33页 |
| 3.2.3 多约束非负矩阵分解模型 | 第33-34页 |
| 3.3. 多约束非负矩阵分解模型的算法 | 第34-38页 |
| 3.3.1 交替方向乘子框架 | 第34-35页 |
| 3.3.2 模型的求解算法 | 第35-37页 |
| 3.3.3 复杂度分析 | 第37页 |
| 3.3.4 多约束非负矩阵分解算法的收敛性 | 第37-38页 |
| 3.4. 实验 | 第38-54页 |
| 3.4.1 对比方法和参数选择 | 第39-40页 |
| 3.4.2 范数约束的适用性展示 | 第40-41页 |
| 3.4.3 全变分范数约束和稀疏性的动态变化关系 | 第41-42页 |
| 3.4.4 在模拟数据上的比较实验 | 第42-48页 |
| 3.4.5 在真实生物数据上的比较试验 | 第48-54页 |
| 3.5. 本章小结 | 第54-56页 |
| 第四章 基于深度学习的乳腺癌早期诊断 | 第56-74页 |
| 4.1. 引言 | 第56-57页 |
| 4.2. 深度学习模型 | 第57-61页 |
| 4.2.1 图像特征提取 | 第57-59页 |
| 4.2.2 栈式自编码器 | 第59-61页 |
| 4.3. 实验 | 第61-72页 |
| 4.3.1 实验数据介绍 | 第62-66页 |
| 4.3.2 对比方法和参数选择 | 第66页 |
| 4.3.3 实验方案 | 第66-72页 |
| 4.4. 讨论 | 第72-73页 |
| 4.5. 本章小结 | 第73-74页 |
| 第五章 基于多源生物数据的关联模块发现 | 第74-96页 |
| 5.1. 引言 | 第74-75页 |
| 5.2. 多源数据的匹配问题 | 第75-76页 |
| 5.2.1 匹配问题 | 第75-76页 |
| 5.2.2 张量表示 | 第76页 |
| 5.3. 多源数据的关联模块发现 | 第76-83页 |
| 5.3.1 多源数据关联模块发现模型 | 第76-79页 |
| 5.3.2 先验知识约束项的设计 | 第79-81页 |
| 5.3.3 求解算法 | 第81-83页 |
| 5.4. 实验 | 第83-95页 |
| 5.4.1 对比方法和参数选择 | 第83-84页 |
| 5.4.2 模拟实验 | 第84-90页 |
| 5.4.3 真实生物数据实验 | 第90-95页 |
| 5.5. 本章小结 | 第95-96页 |
| 结论 | 第96-99页 |
| 参考文献 | 第99-112页 |
| 攻读博士学位期间取得的研究成果 | 第112-114页 |
| 致谢 | 第114-116页 |
| 附件 | 第116页 |