| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 插图索引 | 第11-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-20页 |
| ·研究背景及意义 | 第13页 |
| ·国内外的研究现状 | 第13-18页 |
| ·基因分类的研究现状 | 第13-16页 |
| ·支持向量机的研究现状 | 第16-17页 |
| ·支持向量机在基因表达数据分类中的应用现状 | 第17-18页 |
| ·本文的主要工作内容及论文结构 | 第18-20页 |
| 第2章 基因表达数据分类方法的概述 | 第20-28页 |
| ·引言 | 第20页 |
| ·基因微阵列技术 | 第20-22页 |
| ·常见基因分类方法 | 第22-27页 |
| ·基因分类模型 | 第22-23页 |
| ·SVM | 第23-24页 |
| ·Na(?)ve Bayes | 第24-25页 |
| ·KNN | 第25-27页 |
| ·小结 | 第27-28页 |
| 第3章 模糊支持向量机理论概述 | 第28-39页 |
| ·引言 | 第28页 |
| ·支持向量机理论 | 第28-33页 |
| ·线性支持向量机 | 第28-31页 |
| ·非线性支持向量机 | 第31-32页 |
| ·常用的核函数 | 第32页 |
| ·最小二乘支持向量机 | 第32-33页 |
| ·标准模糊支持向量机 | 第33-35页 |
| ·常见模糊隶属度函数的设计方法 | 第35-38页 |
| ·基于距离的隶属度函数 | 第36页 |
| ·基于S 型函数的隶属度函数 | 第36-37页 |
| ·基于KNN 的隶属度函数设计 | 第37-38页 |
| ·基于样本紧密度的隶属度函数设计 | 第38页 |
| ·小结 | 第38-39页 |
| 第4章 基于分类超平面的最小二乘模糊支持向量机的基因分类算法 | 第39-52页 |
| ·引言 | 第39-40页 |
| ·最小二乘模糊支持向量机算法 | 第40-41页 |
| ·基于分类超平面的隶属度函数设计 | 第41-44页 |
| ·对训练样本进行SVM 训练，计算出分类超平面H | 第41页 |
| ·两类样本中心的计算 | 第41-42页 |
| ·样本到类中心点间的距离 | 第42页 |
| ·边缘数据的选取 | 第42-43页 |
| ·隶属度函数的计算 | 第43-44页 |
| ·基于分类超平面最小二乘模糊支持向量机算法 | 第44-45页 |
| ·实验及分析 | 第45-51页 |
| ·实验环境及边缘数据选取条件λ的选取 | 第45页 |
| ·实验数据选取 | 第45-46页 |
| ·随机生成数实验及结果分析 | 第46-47页 |
| ·美国威斯康星乳腺癌数据库(WDBC)实验及结果分析 | 第47-49页 |
| ·皮马印第安人糖尿病数据集(PID)实验及结果分析 | 第49-50页 |
| ·结果分析 | 第50-51页 |
| ·小结 | 第51-52页 |
| 第5章 基于密度的最小二乘模糊支持向量机的基因分类算法 | 第52-60页 |
| ·引言 | 第52页 |
| ·基于密度的隶属度函数设计 | 第52-55页 |
| ·密度的定义 | 第52-54页 |
| ·阈值T 的计算 | 第54页 |
| ·隶属度函数的计算 | 第54-55页 |
| ·实验验证 | 第55-59页 |
| ·实验环境 | 第55页 |
| ·随机生成数实验 | 第55-56页 |
| ·美国威斯康星乳腺癌数据实验及结果分析 | 第56-57页 |
| ·皮马印第安人糖尿病数据实验及结果分析 | 第57-59页 |
| ·结果分析 | 第59页 |
| ·小结 | 第59-60页 |
| 结论与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录 A 攻读学位期间发表的论文 | 第68-69页 |
| 附录 B 攻读硕士学位期间参加的项目 | 第69页 |
