摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-29页 |
1.1 研究背景和意义 | 第11-12页 |
1.2 不平衡数据分类算法研究现状 | 第12-15页 |
1.2.1 基于神经网络的不平衡数据分类算法 | 第13-14页 |
1.2.2 基于集成学习的不平衡数据分类算法 | 第14-15页 |
1.3 极限学习机 | 第15-26页 |
1.3.1 极限学习机的理论基础 | 第16-19页 |
1.3.2 极限学习机的分类原理 | 第19-22页 |
1.3.3 加权极限学习机 | 第22-26页 |
1.4 本文的主要研究内容及创新点 | 第26-27页 |
1.5 本文结构安排 | 第27-29页 |
第二章 自适应差分进化优化的加权极限学习机分类算法 | 第29-54页 |
2.1 引言 | 第29-30页 |
2.2 自适应差分进化算法原理 | 第30-33页 |
2.2.1 自适应差分进化算法数学描述 | 第31-32页 |
2.2.2 自适应差分进化算法小矢量生成策略 | 第32-33页 |
2.3 基于自适应差分进化优化的加权极限学习机 | 第33-37页 |
2.3.1 编码及初始化种群 | 第34页 |
2.3.2 适应度函数设计 | 第34-35页 |
2.3.3 选择操作 | 第35-36页 |
2.3.4 SADE-WELM分类算法 | 第36-37页 |
2.4 实验结果分析 | 第37-53页 |
2.4.1 数据集及实验参数设置 | 第38-39页 |
2.4.2 适应度函数分析 | 第39-42页 |
2.4.3 AUC和输出权值的范数分析 | 第42-48页 |
2.4.4 SADE-WELM算法性能分析 | 第48-53页 |
2.5 本章小结 | 第53-54页 |
第三章 改进人工蜂群优化的加权极限学习机分类算法 | 第54-76页 |
3.1 引言 | 第54-55页 |
3.2 改进的人工蜂群算法 | 第55-58页 |
3.2.1 基本人工蜂群算法原理 | 第55-57页 |
3.2.2 改进的人工蜂群算法 | 第57-58页 |
3.3 基于改进人工蜂群优化的加权极限学习机 | 第58-62页 |
3.3.1 编码及初始化种群 | 第58页 |
3.3.2 适应度函数设计 | 第58-59页 |
3.3.3 新食物源位置选择 | 第59-60页 |
3.3.4 IABC-WELM分类算法 | 第60-62页 |
3.4 实验结果分析 | 第62-75页 |
3.4.1 数据集及实验参数设置 | 第62页 |
3.4.2 AUC和输出权值的范数分析 | 第62-64页 |
3.4.3 IABC-WELM性能分析 | 第64-75页 |
3.5 本章小结 | 第75-76页 |
第四章 基于集成加权极限学习机的分类算法 | 第76-87页 |
4.1 引言 | 第76-78页 |
4.2 集成加权极限学习机分类算法 | 第78-82页 |
4.2.1 Adaboost算法原理 | 第78-79页 |
4.2.2 集成加权极限学习机分类算法 | 第79-81页 |
4.2.3 集成加权极限学习机分类算法描述 | 第81-82页 |
4.3 实验结果分析 | 第82-85页 |
4.3.1 算法性能分析 | 第83页 |
4.3.2 非参数统计假设检验 | 第83-85页 |
4.4 本章小结 | 第85-87页 |
第五章 集成加权极限学习机在泛素化位点预测中的应用 | 第87-98页 |
5.1 引言 | 第87-90页 |
5.2 基于集成加权极限学习机的泛素化位点预测方法 | 第90-94页 |
5.2.1 泛素化位点肽段特征提取 | 第90-91页 |
5.2.2 特征编码 | 第91-92页 |
5.2.3 集成加权极限学习机泛素化位点预测方法 | 第92-94页 |
5.3 实验结果分析 | 第94-97页 |
5.3.1 数据集及参数设置 | 第94-95页 |
5.3.2 最优肽段长度分析 | 第95页 |
5.3.3 最优参数确定 | 第95-96页 |
5.3.4 预测方法性能分析 | 第96-97页 |
5.4 本章小结 | 第97-98页 |
第六章 总结与展望 | 第98-101页 |
6.1 总结 | 第98-99页 |
6.2 展望 | 第99-101页 |
参考文献 | 第101-111页 |
致谢 | 第111-112页 |
攻读博士学位期间取得的科研成果 | 第112-113页 |
作者简介 | 第113-114页 |