微阵列数据挖掘技术的研究
| 第1章 绪论 | 第11-18页 |
| 1.1 DNA微阵列实验技术 | 第11-12页 |
| 1.2 微阵列技术的生物学背景 | 第12-14页 |
| 1.3 微阵列数据获取 | 第14-16页 |
| 1.3.1 阵列设计 | 第14-15页 |
| 1.3.2 数据获取和图像分析 | 第15-16页 |
| 1.3.3 标准化和过滤 | 第16页 |
| 1.4 本文的组织 | 第16-18页 |
| 第2章 微阵列数据分析技术综述 | 第18-39页 |
| 2.1 聚类分析 | 第18-21页 |
| 2.1.1 分层聚类法 | 第19页 |
| 2.1.2 k-均值聚类法 | 第19-20页 |
| 2.1.3 自组织映射 | 第20-21页 |
| 2.2 分类方法 | 第21-28页 |
| 2.2.1 支持向量机 | 第21-22页 |
| 2.2.2 k最近邻居法 | 第22-23页 |
| 2.2.3 决策树 | 第23-24页 |
| 2.2.4 投票分类法 | 第24-27页 |
| 2.2.5 贝叶斯分类法 | 第27页 |
| 2.2.6 分类方法比较研究 | 第27-28页 |
| 2.3 基因选择 | 第28-31页 |
| 2.4 基因调控网络 | 第31-39页 |
| 2.4.1 布尔网络 | 第31-33页 |
| 2.4.2 微分方程 | 第33-35页 |
| 2.4.3 贝叶斯网络 | 第35-36页 |
| 2.4.4 结合序列数据的贝叶斯网络方法 | 第36-37页 |
| 2.4.5 关联规则挖掘 | 第37-39页 |
| 第3章 基于无监督学习的基因选择算法 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 相关工作 | 第39-40页 |
| 3.3 问题的提出 | 第40-43页 |
| 3.3.1 基因冗余 | 第40-41页 |
| 3.3.2 相关分析用于特征选择的理论依据 | 第41-43页 |
| 3.4 基因选择的方法 | 第43-45页 |
| 3.4.1 概述 | 第43页 |
| 3.4.2 排列法 | 第43-44页 |
| 3.4.3 基于相关性分析的无监督学习算法 | 第44-45页 |
| 3.5 计算实验结果 | 第45-48页 |
| 3.6 小结 | 第48-49页 |
| 第4章 基于神经网络集成的组织分类方法 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 相关工作 | 第49-50页 |
| 4.3 神经网络集成 | 第50-53页 |
| 4.3.1 背景 | 第50-51页 |
| 4.3.2 基本理论和实现方法 | 第51-53页 |
| 4.4 方法 | 第53-57页 |
| 4.4.1 概述 | 第53-54页 |
| 4.4.2 基因选择 | 第54页 |
| 4.4.3 神经网络的建立 | 第54-56页 |
| 4.4.4 CPD法 | 第56-57页 |
| 4.4.5 神经网络集成的应用 | 第57页 |
| 4.5 结果 | 第57-60页 |
| 4.5.1 数据集 | 第58页 |
| 4.5.2 交叉验证和独立测试 | 第58-59页 |
| 4.5.3 ROC测试 | 第59-60页 |
| 4.6 讨论和小结 | 第60-63页 |
| 第5章 基于贝叶斯网络的调控关系推测 | 第63-83页 |
| 5.1 引言 | 第63-65页 |
| 5.2 贝叶斯网络模型 | 第65-71页 |
| 5.2.1 一般介绍 | 第65-66页 |
| 5.2.2 定义 | 第66-67页 |
| 5.2.3 贝叶斯网络的等价类 | 第67-68页 |
| 5.2.4 贝叶斯网络的学习 | 第68-71页 |
| 5.3 采用贝叶斯网络进行调控关系预测的相关研究 | 第71-74页 |
| 5.3.1 Friedman等人的工作 | 第71-72页 |
| 5.3.2 Hartemink等人的工作 | 第72-73页 |
| 5.3.3 Yoo等人的工作 | 第73-74页 |
| 5.4 采用两种方法的网络学习研究 | 第74-77页 |
| 5.4.1 采用爬山法的网络学习 | 第74-76页 |
| 5.4.2 采用MCMC的基因网络学习 | 第76-77页 |
| 5.5 测试 | 第77-82页 |
| 5.5.1 模拟数据 | 第77-78页 |
| 5.5.2 测试结果 | 第78-80页 |
| 5.5.3 实际微阵列数据测试 | 第80-82页 |
| 5.6 讨论和小结 | 第82-83页 |
| 第6章 基于微阵列数据的局部因果关系推测 | 第83-95页 |
| 6.1 引言 | 第83页 |
| 6.2 相关方法 | 第83-84页 |
| 6.2.1 递减方法 | 第83-84页 |
| 6.2.2 递加方法 | 第84页 |
| 6.3 基于LCD方法的因果关系推断 | 第84-88页 |
| 6.3.1 确定依赖性和独立性 | 第85-87页 |
| 6.3.2 算法实现 | 第87-88页 |
| 6.4 结果 | 第88-91页 |
| 6.4.1 数据集 | 第88页 |
| 6.4.2 关系和解释 | 第88-91页 |
| 6.5 讨论和小结 | 第91-93页 |
| 附录 | 第93-95页 |
| 第7章 总结和展望 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 攻读博士学位期间发表或已录用的论文 | 第105页 |
