| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12页 |
| 1.2 研究背景及意义 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.3.1 特征提取研究现状 | 第14-15页 |
| 1.3.2 肿瘤基因分类研究现状 | 第15页 |
| 1.4 肿瘤基因表达数据分类分析方法 | 第15-17页 |
| 1.5 文章结构安排 | 第17-18页 |
| 第2章 相关的理论知识 | 第18-30页 |
| 2.1 基因表达数据 | 第18-19页 |
| 2.2 基因表达数据的预处理 | 第19-22页 |
| 2.2.1 数据清洗 | 第19-20页 |
| 2.2.2 丢失数据填充 | 第20页 |
| 2.2.3 数据转换与归一化 | 第20-21页 |
| 2.2.4 基因表达数据的应用 | 第21-22页 |
| 2.3 PCA与2DPCA | 第22-25页 |
| 2.3.1 PCA的定义 | 第22页 |
| 2.3.2 PCA的实现步骤 | 第22-23页 |
| 2.3.3 2DPCA | 第23-24页 |
| 2.3.4 PCA的特点 | 第24-25页 |
| 2.4 基因表达数据的分类问题 | 第25-29页 |
| 2.4.1 分类方法 | 第25页 |
| 2.4.2 支持向量机 | 第25-29页 |
| 2.4.3 分类方法的评价 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于信息熵的2DEPCA特征基因提取方法 | 第30-45页 |
| 3.1 引言 | 第30页 |
| 3.2 一种基于信息熵的2DEPCA特征提取算法 | 第30-34页 |
| 3.2.1 数据预处理 | 第31页 |
| 3.2.2 基于信息熵的2DEPCA特征提取算法 | 第31-33页 |
| 3.2.3 交叉验证 | 第33-34页 |
| 3.3 实验结果及分析 | 第34-44页 |
| 3.3.1 基于信息熵的2DEPCA特征提取实验结果 | 第35-41页 |
| 3.3.2 分类预测 | 第41-44页 |
| 3.4 小结 | 第44-45页 |
| 第4章 基于SVM的自适应的肿瘤分类方法 | 第45-52页 |
| 4.1 引言 | 第45-46页 |
| 4.2 一种基于SVM的自适应肿瘤基因分类算法 | 第46-49页 |
| 4.2.1 构建参数网格 | 第46-47页 |
| 4.2.2 RGS-SVM算法 | 第47-49页 |
| 4.3 实验结果分析 | 第49-51页 |
| 4.3.1 RGS-SVM自适应寻参结果 | 第49-50页 |
| 4.3.2 分类预测结果 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 结论 | 第52-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录B 攻读硕士学位期间参与科研项目 | 第60页 |