| 中文摘要 | 第1-8页 |
| Abstract | 第8-14页 |
| 第一章 绪论 | 第14-24页 |
| 第一节 引言 | 第14页 |
| 第二节 微阵列数据概述 | 第14-17页 |
| ·微阵列数据的概述及特点 | 第14-17页 |
| ·微阵列数据在癌症检测上的应用 | 第17页 |
| 第三节 微阵列数据研究面临的挑战 | 第17-18页 |
| 第四节 本文主要研究内容和意义 | 第18-22页 |
| ·研究内容与方案 | 第18-20页 |
| ·研究目标 | 第20-21页 |
| ·研究意义 | 第21-22页 |
| 第五节 本文章节安排 | 第22-24页 |
| 第二章 相关工作综述 | 第24-38页 |
| 第一节 用于微阵列数据的分类器 | 第24-29页 |
| ·K近邻分类器 | 第24页 |
| ·贝叶斯分类器 | 第24-26页 |
| ·支持向量机分类器 | 第26-29页 |
| ·TSP与k-TSP | 第29页 |
| ·PAM | 第29页 |
| 第二节 常用的基因特征选择方法 | 第29-33页 |
| ·特征选择基本框架 | 第29-31页 |
| ·特征选择算法的一般分类 | 第31-33页 |
| 第三节 基于基因的聚类分析 | 第33-35页 |
| ·K-means | 第34-35页 |
| ·层次聚类 | 第35页 |
| 第四节 实验数据集 | 第35-37页 |
| 第五节 小结 | 第37-38页 |
| 第三章 学习算法在微阵列数据上的可PAC学习性对比分析 | 第38-50页 |
| 第一节 PAC学习模型 | 第38-40页 |
| ·PAC学习模型 | 第38-39页 |
| ·Vapnik-Chervonenkis理论 | 第39-40页 |
| 第二节 粗糙超长方体分类器VC维评估 | 第40-47页 |
| ·粗糙集 | 第41页 |
| ·粗糙超长方体分类器 | 第41-44页 |
| ·粗糙超长方体分类器的可PAC学习性分析 | 第44-47页 |
| 第三节 微阵列数据分析中常用分类器的VC维及学习边界的对比分析 | 第47-49页 |
| 第四节 本章小结 | 第49-50页 |
| 第四章 基于分类能力向量化表征的特征选择算法 | 第50-82页 |
| 第一节 特征度量准则 | 第51-54页 |
| 第二节 微阵列分析中常用基因特征度量比对分析 | 第54-57页 |
| 第三节 分类能力向量化度量 | 第57-62页 |
| ·定量度量向量 | 第57-59页 |
| ·定性度量向量 | 第59-61页 |
| ·对比分析 | 第61-62页 |
| 第四节 基于分类能力向量化的特征选择 | 第62-68页 |
| ·本文特征选择算法的基本思想 | 第62-63页 |
| ·基于分类能力的向量化表征的特征选择 | 第63-68页 |
| 第五节 实验及分析 | 第68-80页 |
| ·本章实验数据简述 | 第68-69页 |
| ·聚类结果对比分析 | 第69-75页 |
| ·特征选择评估 | 第75-80页 |
| 第六节 本章小节 | 第80-82页 |
| 第五章 引入监督信息的模糊聚类 | 第82-96页 |
| 第一节 模糊聚类在微阵列数据上的应用 | 第82-83页 |
| 第二节 引入监督信息的模糊聚类 | 第83-89页 |
| ·通用模糊聚类算法框架 | 第83-86页 |
| ·引入监督信息的模糊聚类 | 第86-89页 |
| 第三节 实验及分析 | 第89-94页 |
| ·本章实验数据简述 | 第89页 |
| ·聚类数目获取 | 第89-91页 |
| ·聚类算法结果的对比分析 | 第91-94页 |
| 第四节 本章小节 | 第94-96页 |
| 第六章 基于划分系数和边界密度的模糊聚类有效性评估 | 第96-116页 |
| 第一节 模糊c均值算法中常用的模糊聚类有效性评价方法 | 第96-100页 |
| ·模糊c均值算法 | 第96-97页 |
| ·常用的模糊聚类有效性评价方法 | 第97-100页 |
| 第二节 基于划分系数和边界密度的模糊聚类有效性评价方法 | 第100-103页 |
| ·基于划分系数和边界密度的模糊聚类有效性评价方法 | 第100-101页 |
| ·有效性评价方法对比 | 第101-103页 |
| 第三节 实验及分析 | 第103-115页 |
| ·模拟数据 | 第104-108页 |
| ·微阵列数据 | 第108-115页 |
| 第四节 本章小节 | 第115-116页 |
| 第七章 总结与展望 | 第116-119页 |
| 第一节 论文工作总结 | 第116-117页 |
| 第二节 未来研究展望 | 第117-119页 |
| 参考文献 | 第119-131页 |
| 致谢 | 第131-132页 |
| 个人简历 | 第132-134页 |
