| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 SLT简介 | 第11-14页 |
| 1.2.1 机器学习 | 第11-12页 |
| 1.2.2 ERM原则与过拟合 | 第12-13页 |
| 1.2.3 统计学习一致性与VC维 | 第13页 |
| 1.2.4 SRM原则 | 第13-14页 |
| 1.2.5 小样本与转导推理 | 第14页 |
| 1.3 SVM二分类 | 第14-17页 |
| 1.3.1 分类原理 | 第14-15页 |
| 1.3.2 核函数 | 第15-16页 |
| 1.3.3 模型选择 | 第16-17页 |
| 1.4 SVM多分类 | 第17-18页 |
| 1.5 SVM应用研究 | 第18页 |
| 1.6 本文主要研究内容及创新点 | 第18-19页 |
| 1.7 本文内容编排 | 第19-20页 |
| 第二章 基于MADS-box诱饵与蛋白质相互作用的拟南芥花瓣发育分子网络拓展 | 第20-28页 |
| 2.1 引言 | 第20-21页 |
| 2.2 数据与方法 | 第21-23页 |
| 2.2.1 拟南芥PPI预测模型构建 | 第21-22页 |
| 2.2.2 拟南芥花瓣发育基因芯片数据及其共表达过滤 | 第22页 |
| 2.2.3 含MADS-box诱饵蛋白在拟南芥花瓣PPI网络中的一级拓展 | 第22-23页 |
| 2.3 结果与分析 | 第23-27页 |
| 2.3.1 拟南芥PPI模型评估与预测 | 第23页 |
| 2.3.2 基于MADS-box诱饵与PPI的拟南芥花瓣发育分子网络 | 第23-25页 |
| 2.3.3 花瓣发育分子网络中候选的四元互作 | 第25-26页 |
| 2.3.4 花瓣四聚体的候选作用靶标 | 第26-27页 |
| 2.4 讨论 | 第27-28页 |
| 第三章 一种新的多分类转二分类策略与特征选择方法 | 第28-36页 |
| 3.1 引言 | 第28-29页 |
| 3.2 方法 | 第29-32页 |
| 3.2.1 数据 | 第29页 |
| 3.2.2 MIC-share | 第29-31页 |
| 3.2.3 PK策略 | 第31页 |
| 3.2.4 分类器 | 第31-32页 |
| 3.3 结果与分析 | 第32-34页 |
| 3.3.1 两种特征选择方法及四种转换策略比较 | 第32页 |
| 3.3.2 四种转换策略在三种分类器上的比较 | 第32-34页 |
| 3.4 小结与讨论 | 第34-36页 |
| 3.4.1 PK策略的优点 | 第34页 |
| 3.4.2 MIC-share方法的优点 | 第34-36页 |
| 第四章 总结与展望 | 第36-38页 |
| 4.1 全文总结 | 第36-37页 |
| 4.2 展望 | 第37-38页 |
| 参考文献 | 第38-46页 |
| 致谢 | 第46-47页 |
| 作者简历 | 第47页 |
