| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·研究背景 | 第7-9页 |
| ·微阵列数据基因选择 | 第8-9页 |
| ·文本分类 | 第9页 |
| ·研究现状 | 第9-10页 |
| ·研究意义与目标 | 第10-11页 |
| ·论文结构 | 第11-12页 |
| 第二章 特征降维 | 第12-23页 |
| ·类别可分离性判据 | 第12-16页 |
| ·基于类内类间距离的可分性判据 | 第13-14页 |
| ·基于概率距离判据的可分性判据 | 第14-15页 |
| ·基于熵函数的可分性判据 | 第15-16页 |
| ·特征提取 | 第16-18页 |
| ·主成分分析 | 第17页 |
| ·Fisher 鉴别分析 | 第17-18页 |
| ·特征选择 | 第18-21页 |
| ·最优搜索 | 第19-20页 |
| ·次优搜索 | 第20-21页 |
| ·单独最优特征组合 | 第20页 |
| ·顺序前进法(SFS) | 第20页 |
| ·顺序后退法(SBS) | 第20-21页 |
| ·增l 减r 法(l - r 法) | 第21页 |
| ·特征排序 | 第21-23页 |
| 第三章 概率密度估计 | 第23-29页 |
| ·概率密度函数的估计简介 | 第23-24页 |
| ·参数估计 | 第23页 |
| ·非参数估计 | 第23-24页 |
| ·非参数概率密度估计 | 第24-28页 |
| ·基本方法 | 第24-26页 |
| ·Parzen 窗口概率密度估计 | 第26-27页 |
| ·k_N -近邻法 | 第27页 |
| ·直方图法 | 第27-28页 |
| ·Gaussian 窗口函数的 Parzen 密度估计 | 第28-29页 |
| 第四章 基于概率密度逼近的特征排序 | 第29-51页 |
| ·概率密度逼近准则 | 第29-30页 |
| ·概率密度逼近度量计算 | 第30-33页 |
| ·算法求解步骤 | 第33-35页 |
| ·算法中的梯度式子 | 第33-34页 |
| ·求解步骤 | 第34-35页 |
| ·实验及结果 | 第35-41页 |
| ·实验组一 | 第35-38页 |
| ·实验组二 | 第38-40页 |
| ·实验组三 | 第40-41页 |
| ·简化了的无监督的特征排序 | 第41-49页 |
| ·概率密度逼近度量计算 | 第41-43页 |
| ·算法求解步骤 | 第43-44页 |
| ·实验及结果 | 第44-49页 |
| ·实验组一 | 第44-47页 |
| ·实验组二 | 第47-49页 |
| ·小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 发表论文 | 第57页 |