| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第15-27页 |
| 1.1 研究背景 | 第15-17页 |
| 1.2 肿瘤基因表达谱数据研究现状 | 第17-23页 |
| 1.3 本文主要研究方法及贡献 | 第23-24页 |
| 1.4 本文组织结构 | 第24-26页 |
| 1.5 本章小节 | 第26-27页 |
| 2 基因表达谱数据及机器学习研究基础 | 第27-39页 |
| 2.1 基因表达谱数据的获取 | 第27-29页 |
| 2.2 基因表达谱数据分析面临的问题 | 第29-31页 |
| 2.3 常用的肿瘤基因表达谱数据集 | 第31-34页 |
| 2.4 机器学习相关算法 | 第34-37页 |
| 2.5 本章小结 | 第37-39页 |
| 3 基于深度学习及矩阵分解的肿瘤特征基因选择 | 第39-70页 |
| 3.1 研究动机 | 第39-41页 |
| 3.2 基于样本学习及深度稀疏滤波的肿瘤特征基因选择 | 第41-53页 |
| 3.3 基于最优均值的分块鲁棒特征基因选择 | 第53-63页 |
| 3.4 基于监督型惩罚矩阵分解的特征基因选择 | 第63-68页 |
| 3.5 本章小结 | 第68-70页 |
| 4 基于样本扩充及深度学习的肿瘤样本分类 | 第70-82页 |
| 4.1 研究动机 | 第70-71页 |
| 4.2 样本扩充方法 | 第71-73页 |
| 4.3 基于样本扩充的栈式自动编码器 | 第73-74页 |
| 4.4 基于样本扩充的1维卷积神经网络 | 第74-77页 |
| 4.5 实验结果及分析 | 第77-80页 |
| 4.6 本章小结 | 第80-82页 |
| 5 基于低秩子空间分割的肿瘤样本聚类 | 第82-108页 |
| 5.1 研究动机 | 第82-83页 |
| 5.2 基于离散约束及超图正则化的低秩子空间聚类 | 第83-94页 |
| 5.3 基于离散约束及封顶范数的鲁棒低秩子空间聚类 | 第94-106页 |
| 5.4 本章小结 | 第106-108页 |
| 6 基于双超图正则化主成分分析的双聚类 | 第108-122页 |
| 6.1 研究动机 | 第108-110页 |
| 6.2 图拉普拉斯主成分分析 | 第110页 |
| 6.3 双超图的构建 | 第110-112页 |
| 6.4 基于双超图正则化的主成分分析 | 第112-114页 |
| 6.5 基于DHPCA的肿瘤双聚类 | 第114-115页 |
| 6.6 实验结果与分析 | 第115-121页 |
| 6.7 本章小结 | 第121-122页 |
| 7 结论与展望 | 第122-126页 |
| 7.1 本文所做的工作 | 第122-124页 |
| 7.2 展望 | 第124-126页 |
| 参考文献 | 第126-142页 |
| 作者简历 | 第142-145页 |
| 学位论文数据集 | 第145页 |