| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 基因表达数据 | 第15-17页 |
| 1.1.1 基因表达数据简介 | 第15-16页 |
| 1.1.2 基因表达矩阵 | 第16页 |
| 1.1.3 数据特点 | 第16-17页 |
| 1.2 基因表达数据的研究意义 | 第17-18页 |
| 1.3 基因表达数据的研究现状 | 第18-20页 |
| 1.4 本文研究内容及组织结构 | 第20-23页 |
| 1.4.1 研究内容 | 第20-21页 |
| 1.4.2 组织结构 | 第21-23页 |
| 第二章 降维方法基础研究 | 第23-31页 |
| 2.1 数据降维的基本概念 | 第23页 |
| 2.2 线性降维 | 第23-26页 |
| 2.2.1 主成分分析 | 第23-25页 |
| 2.2.2 线性判别分析 | 第25-26页 |
| 2.3 非线性降维核主成分分析 | 第26-27页 |
| 2.3.1 核函数 | 第26-27页 |
| 2.3.2 核主成分分析 | 第27页 |
| 2.4 深度学习模型 | 第27-30页 |
| 2.4.1 自动编码器 | 第27页 |
| 2.4.2 受限玻尔兹曼机 | 第27-29页 |
| 2.4.3 深度信念网络 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 自动编码器对基因表达数据的降维作用 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 深度学习模型之自动编码器 | 第31-36页 |
| 3.2.1 自动编码器 | 第31-33页 |
| 3.2.2 降噪自动编码器 | 第33-34页 |
| 3.2.3 堆栈自动编码器 | 第34-35页 |
| 3.2.4 网络中参数的选择 | 第35-36页 |
| 3.3 分类器softmax | 第36-37页 |
| 3.4 实验仿真与讨论 | 第37-44页 |
| 3.4.1 数据简介 | 第37-38页 |
| 3.4.2 交叉验证 | 第38-39页 |
| 3.4.3 实验结果与分析 | 第39-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于自动编码器的改进算法 | 第45-63页 |
| 4.1 引言 | 第45页 |
| 4.2 基于PCA、KPCA和自动编码器相结合的特征学习方法 | 第45-50页 |
| 4.3 基于PCA、LDA和自动编码器相结合的特征学习方法 | 第50-52页 |
| 4.4 基于KPCA、LDA和自动编码器相结合的特征学习方法 | 第52-53页 |
| 4.5 实验仿真与讨论 | 第53-60页 |
| 4.5.1 实验环境及参数设置 | 第53-54页 |
| 4.5.2 基于PCA、KPCA和自动编码器相结合的特征学习方法实验 | 第54-55页 |
| 4.5.3 基于PCA、LDA和自动编码器相结合的特征学习方法实验 | 第55-56页 |
| 4.5.4 基于KPCA、LDA和自动编码器相结合的特征学习方法实验 | 第56-57页 |
| 4.5.5 实验结果对比分析 | 第57-59页 |
| 4.5.6 实验研究小结 | 第59-60页 |
| 4.6 本章小结 | 第60-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63页 |
| 5.2 前景与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
