基因表达谱数据特征选择与提取方法研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目录 | 第10-13页 |
| 图清单 | 第13-14页 |
| 表清单 | 第14-15页 |
| 1 绪论 | 第15-23页 |
| ·研究背景和意义 | 第15-17页 |
| ·基因微阵列技术 | 第15页 |
| ·基因表达数据谱与癌症诊断 | 第15-16页 |
| ·本文的研究意义 | 第16-17页 |
| ·国内外研究现状 | 第17-21页 |
| ·特征选择研究现状 | 第17-20页 |
| ·特征提取研究现状 | 第20-21页 |
| ·本文主要工作与创新点 | 第21页 |
| ·章节安排 | 第21-23页 |
| 2 准备知识 | 第23-34页 |
| ·基因表达谱数据 | 第23-26页 |
| ·基因表达谱数据的获取 | 第23页 |
| ·基因表达谱数据的表示 | 第23-24页 |
| ·基因表达谱数据分析 | 第24-25页 |
| ·基因表达谱数据癌症诊断模型 | 第25-26页 |
| ·特征选择与特征提取 | 第26-29页 |
| ·特征选择和提取概述 | 第26-27页 |
| ·特征选择和提取的基本原则 | 第27-28页 |
| ·特征选择方法 | 第28-29页 |
| ·特征提取方法 | 第29页 |
| ·分类器介绍 | 第29-33页 |
| ·BP 神经网络 | 第30-31页 |
| ·支持向量机 | 第31-32页 |
| ·极限学习机 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 3 基于粒子群算法的模型无关特征选择算法 | 第34-44页 |
| ·引言 | 第34页 |
| ·粒子群算法 | 第34-35页 |
| ·算法设计 | 第35-37页 |
| ·编码方式 | 第35页 |
| ·适应度函数 | 第35-36页 |
| ·搜索过程 | 第36-37页 |
| ·算法描述 | 第37-38页 |
| ·实验与结果分析 | 第38-42页 |
| ·二分类数据集的实验结果分析 | 第39-41页 |
| ·多分类数据集的实验结果分析 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 4 基于聚类和 PSO 的特征选择算法 | 第44-53页 |
| ·引言 | 第44页 |
| ·KPSO-Selection | 第44-47页 |
| ·信息增益的方法进行基因初选 | 第44-45页 |
| ·基因聚类 | 第45-46页 |
| ·基因精选 | 第46-47页 |
| ·算法描述 | 第47页 |
| ·实验结果与分析 | 第47-52页 |
| ·本章小结 | 第52-53页 |
| 5 判决独立成分分析的特征提取算法 | 第53-63页 |
| ·引言 | 第53页 |
| ·ICA 特征提取 | 第53-55页 |
| ·判决独立成分分析 | 第55-56页 |
| ·算法设计与描述 | 第56-58页 |
| ·判决函数 | 第56-57页 |
| ·判决独立成分分析算法描述 | 第57-58页 |
| ·实验结果与分析 | 第58-62页 |
| ·基因初选 | 第58-59页 |
| ·DICA 实验结果比较 | 第59-61页 |
| ·DICA 与特征选择的比较 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 6 基于 ICA 和信息增益的特征选择算法 | 第63-76页 |
| ·引言 | 第63页 |
| ·特征选择与提取的信息量分析 | 第63-66页 |
| ·特征选择信息量 | 第63-64页 |
| ·特征提取信息量 | 第64-65页 |
| ·特征提取与选择的联系 | 第65-66页 |
| ·特征提取与选择相关性分析 | 第66-68页 |
| ·算法设计 | 第68-70页 |
| ·算法描述 | 第70-71页 |
| ·实验结果与分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 7 总结与展望 | 第76-79页 |
| ·工作总结 | 第76-77页 |
| ·工作展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 作者简历 | 第82页 |
