| 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 |
