| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 引言 | 第9-16页 |
| ·基因芯片数据与质谱数据概述 | 第9-13页 |
| ·基因芯片与质谱数据分析的意义 | 第9页 |
| ·基因芯片简介 | 第9-11页 |
| ·质谱简介 | 第11-13页 |
| ·高通量数据对数据分析带来的挑战 | 第13-14页 |
| ·论文的研究内容及贡献 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第二章 相关理论 | 第16-26页 |
| ·机器学习概述 | 第16-17页 |
| ·特征选取 | 第17-18页 |
| ·分类算法 | 第18-23页 |
| ·决策树 | 第19页 |
| ·支持向量机 | 第19-20页 |
| ·人工神经网络 | 第20-21页 |
| ·k近邻算法 | 第21页 |
| ·朴素贝叶斯 | 第21-22页 |
| ·逻辑回归 | 第22-23页 |
| ·聚类算法 | 第23-25页 |
| ·层次型聚类算法 | 第23-24页 |
| ·划分型聚类算法 | 第24-25页 |
| ·交叉检验 | 第25-26页 |
| 第三章 基因芯片与质谱数据分析研究现状回顾 | 第26-33页 |
| ·基于传统概率统计学的分析方法 | 第26-28页 |
| ·卡方检验 | 第27页 |
| ·z检验 | 第27-28页 |
| ·t检验 | 第28页 |
| ·信息增量 | 第28页 |
| ·基于机器学习的分析方法 | 第28-30页 |
| ·混合分析方法 | 第30-33页 |
| 第四章 用于基因芯片数据挖掘的混合模型 | 第33-51页 |
| ·背景概述 | 第33-35页 |
| ·多目标遗传算法与联盟分类算法(MOGA-Ensemble)的混合模型 | 第35-39页 |
| ·多目标遗传算法(MOGA) | 第36-37页 |
| ·分类算法的组合策略 | 第37-38页 |
| ·分类算法 | 第38-39页 |
| ·数据和方法 | 第39-43页 |
| ·数据集 | 第39-40页 |
| ·数据前期处理 | 第40页 |
| ·遗传算法及分类算法具体实现 | 第40-42页 |
| ·mRMR和ReliefF算法 | 第42页 |
| ·分类效果的检验与评价 | 第42-43页 |
| ·对所选特征基因的相关性验证 | 第43页 |
| ·试验结果 | 第43-49页 |
| ·数据样本分类 | 第43-47页 |
| ·特征基因相关性验证 | 第47页 |
| ·选取结果中的高频特征基因 | 第47-49页 |
| ·讨论 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第五章 用于质谱数据挖掘的混合模型 | 第51-64页 |
| ·背景概述 | 第51-54页 |
| ·联合聚类算法与多目标遗传算法混合模型 | 第54-55页 |
| ·混合模型的各个组分 | 第55-59页 |
| ·质谱数据集 | 第55-56页 |
| ·对m/z特征项的初步选取 | 第56页 |
| ·k-mean聚类 | 第56-57页 |
| ·聚类集的特征提取和代表特征项选取 | 第57-58页 |
| ·联合多目标遗传算法与联盟分类算法混合模型 | 第58-59页 |
| ·实验 | 第59-63页 |
| ·样本分类结果 | 第59-61页 |
| ·选中的高频特征m/z标记 | 第61-63页 |
| ·讨论和小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·全文工作总结 | 第64页 |
| ·未来工作展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 附录 | 第73-90页 |
| 1 部分程序代码 | 第73-89页 |
| ·MOGA.java | 第73-82页 |
| ·ANN.java | 第82-87页 |
| ·KNN.java | 第87-89页 |
| 2 在学期间发表的论文 | 第89-90页 |
| 致谢 | 第90-91页 |