基于遗传算法和加权极限学习机结合的乳腺癌亚型分类和基因选择
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 本文课题的提出 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 文章主要内容和意义 | 第13-15页 |
| 第2章 遗传算法介绍 | 第15-19页 |
| 2.1 遗传算法引言 | 第15页 |
| 2.2 遗传算法计算模型 | 第15-19页 |
| 2.2.1 遗传算法相关术语 | 第15-16页 |
| 2.2.2 标准遗传算法过程 | 第16-19页 |
| 第3章 极限学习机介绍 | 第19-25页 |
| 3.1 极限学习机引言 | 第19-20页 |
| 3.2 基本极限学习机模型 | 第20-23页 |
| 3.2.1 单隐层前馈型神经网络 | 第20-21页 |
| 3.2.2 传统BP算法 | 第21-22页 |
| 3.2.3 极限学习机算法 | 第22-23页 |
| 3.3 极限学习机分析 | 第23-25页 |
| 第4章 基因集合优劣度量标准 | 第25-30页 |
| 4.1 模型的预测准确性 | 第25-28页 |
| 4.1.1 数据平衡 | 第25-26页 |
| 4.1.2 不平衡数据的模型性能评估 | 第26页 |
| 4.1.3 加权极限学习机 | 第26-28页 |
| 4.2 基因集合的冗余性假设 | 第28-30页 |
| 第5章 算法实现过程 | 第30-38页 |
| 5.1 数据分析及预处理 | 第30页 |
| 5.2 去除低差异基因 | 第30-32页 |
| 5.2.1 T检验差异基因筛选法 | 第30-31页 |
| 5.2.2 SAM方法 | 第31-32页 |
| 5.3 贪心算法去除冗余基因 | 第32-33页 |
| 5.4 遗传算法主要操作定义 | 第33-36页 |
| 5.4.1 编码 | 第33页 |
| 5.4.2 初始群体设定 | 第33页 |
| 5.4.3 适应度定义 | 第33-34页 |
| 5.4.4 遗传操作 | 第34-35页 |
| 5.4.5 各参数设置 | 第35-36页 |
| 5.5 加权极限学习机初始化 | 第36-38页 |
| 第6章 结果分析 | 第38-44页 |
| 6.1 预筛选结果 | 第38-40页 |
| 6.1.1 差异基因预筛选结果 | 第38-39页 |
| 6.1.2 非冗余基因预筛选结果 | 第39-40页 |
| 6.2 预筛选过程作用分析 | 第40-41页 |
| 6.3 最优基因集合结果比较 | 第41-44页 |
| 6.3.0 重要的基因 | 第41-42页 |
| 6.3.1 不同分类器模型在最终基因集合中的比较 | 第42页 |
| 6.3.2 所选基因集合与其他基因集合的比较分析 | 第42-44页 |
| 第7章 总结与展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51页 |
