| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-12页 |
| ·代谢组学背景介绍 | 第9-10页 |
| ·代谢组学的概念及特点 | 第9-10页 |
| ·代谢组学的分析技术 | 第10页 |
| ·代谢组学的应用 | 第10页 |
| ·代谢组学数据分析与生物信息学 | 第10-11页 |
| ·本文主要工作 | 第11-12页 |
| 2 生物信息学数据处理与分析技术 | 第12-19页 |
| ·统计分析 | 第12-13页 |
| ·t检验 | 第12-13页 |
| ·Wilcoxon秩和检验 | 第13页 |
| ·聚类分析 | 第13-14页 |
| ·分类方法 | 第14-15页 |
| ·K近邻分类 | 第14页 |
| ·AdaBoost | 第14-15页 |
| ·随机森林 | 第15页 |
| ·支持向量机 | 第15页 |
| ·数据降维方法 | 第15-18页 |
| ·特征提取 | 第16-17页 |
| ·特征选择 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 3 L-EDA算法 | 第19-36页 |
| ·分布估计算法理论及分类 | 第19-21页 |
| ·分布估计算法理论 | 第19-20页 |
| ·分布估计算法分类 | 第20-21页 |
| ·分布估计算法在生物信息处理中的应用 | 第21页 |
| ·一种改进的分布估计算法L-EDA | 第21-27页 |
| ·分布估计算法用于特征选择 | 第21-23页 |
| ·分布估计算法个体评价准则 | 第23页 |
| ·分布估计算法概率模型史新准则 | 第23-24页 |
| ·L-EDA算法 | 第24-27页 |
| ·实验与结果 | 第27-35页 |
| ·实验数据背景 | 第27页 |
| ·主成分分析与偏最小二乘判别分析 | 第27-29页 |
| ·L-EDA对卵巢癌数据的处理与分析 | 第29-32页 |
| ·卵巢癌潜在代谢标志物的筛选 | 第32-33页 |
| ·L-EDA与传统的分布估计算法、遗传算法之间的比较 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 一种两阶段的特征选择方法F-SVM | 第36-46页 |
| ·基于支持向量机的特征性选择算法 | 第36-37页 |
| ·F-SVM特征选择算法 | 第37-40页 |
| ·方差分析 | 第37页 |
| ·特征评价 | 第37-39页 |
| ·F-SVM算法 | 第39-40页 |
| ·F-SVM在肝病代谢数据处理中的应用 | 第40-45页 |
| ·实验数据背景 | 第40-41页 |
| ·基于F-SVM的数据处理模型 | 第41-42页 |
| ·肝病潜在代谢标记物的筛选 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 结论 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士学位期间发表学术论文情况 | 第52-53页 |
| 致谢 | 第53-54页 |