首页--医药、卫生论文--基础医学论文--医用一般科学论文--其他科学技术在医学上的应用论文

基于特征选择的致病SNP识别方法研究

摘要第6-8页
ABSTRACT第8-9页
第一章 绪论第10-16页
    1.1 研究背景与意义第10-11页
    1.2 国内外研究现状第11-14页
        1.2.1 国外研究现状第12-13页
        1.2.2 国内研究现状第13-14页
    1.3 论文主要工作与创新第14-15页
        1.3.1 主要工作第14页
        1.3.2 主要创新第14-15页
    1.4 论文结构安排第15-16页
第二章 特征选择方法第16-22页
    2.1 特征选择第16页
    2.2 基于搜索策略划分特征选择方法第16-17页
        2.2.1 全局最优搜索和启发式搜索策略的特征选择方法第17页
        2.2.2 随机搜索策略的特征选择方法第17页
    2.3 基于评价准则划分特征选择方法第17-22页
        2.3.1 过滤式(Filter)的特征选择方法第18-19页
        2.3.2 封装式(Wrapper)的特征选择方法第19页
        2.3.3 嵌入式(Embedded)的特征选择方法第19-22页
第三章 基于特征选择的致病SNP识别方法介绍与性能比较第22-34页
    3.1 基于卡方检验识别致病SNP位点第22-23页
    3.2 基于ReliefF算法识别致病SNP位点第23-25页
    3.3 基于随机森林算法识别致病SNP位点第25-27页
        3.3.1 随机森林介绍第25-26页
        3.3.2 变量重要性值第26-27页
    3.4 基于粒子群优化的GA-SVM算法识别致病SNP位点第27-30页
        3.4.1 遗传算法第27-28页
        3.4.2 粒子群优化的支持向量机第28-30页
    3.5 基于随机森林和GA-SVM算法识别致病SNP位点第30-31页
    3.6 方法分析与比较第31-34页
        3.6.1 致病SNP识别方法的总结与分析第32-33页
        3.6.2 致病SNP识别方法的优劣性分析第33-34页
第四章 数据形式及选取第34-38页
    4.1 实验数据形式第34-35页
    4.2 实验数据选取第35-38页
第五章 实验结果与分析第38-60页
    5.1 卡方检验在模拟数据集上的识别结果第38-40页
    5.2 ReliefF算法在模拟数据集上的识别结果第40-47页
        5.2.1 ReliefF算法参数设置第40-45页
        5.2.2 ReliefF算法在各模拟数据集上的实验分析第45-47页
    5.3 随机森林算法在模拟数据集上的识别结果第47-52页
        5.3.1 随机森林参数设置第47-50页
        5.3.2 随机森林算法在各模拟数据集上的实验分析第50-52页
    5.4 GA-SVM-PSO算法在模拟数据集上的识别结果第52-54页
        5.4.1 GA-SVM-PSO算法参数设置第52-53页
        5.4.2 GA-SVM-PSO算法在在各模拟数据集上的实验分析第53-54页
    5.5 基于随机森林与GA-SVM-PSO算法识别致病SNP位点第54-60页
        5.5.1 模拟数据集的实验结果与分析第55-57页
        5.5.2 真实数据集的实验结果与分析第57-60页
第六章 结论与展望第60-62页
    6.1 研究结论第60-61页
    6.2 研究展望第61-62页
参考文献第62-66页
致谢第66-68页
攻读硕士研究生期间发表的论文与科研成果第68页

论文共68页,点击 下载论文
上一篇:文艺表演团体竞争力构建研究
下一篇:连续流反应技术制备对甲苯酚及脱氧熊果苷的研究