基于支持向量机的基因选择算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究背景 | 第10-11页 |
| ·DNA微阵列数据 | 第11-14页 |
| ·DNA微阵列数据的制作 | 第11-12页 |
| ·DNA微阵列数据的优点与应用 | 第12-13页 |
| ·DNA微阵列数据的挑战 | 第13-14页 |
| ·基因选择 | 第14-15页 |
| ·基于Filter的基因选择方法 | 第14页 |
| ·基于Wrapper的基因选择方法 | 第14-15页 |
| ·本文的主要工作 | 第15-17页 |
| 第2章 基于支持向量机的递归特征消去方法 | 第17-29页 |
| ·支持向量机 | 第17-23页 |
| ·统计学习理论 | 第17-18页 |
| ·SVM算法原理 | 第18-22页 |
| ·SVM的优点 | 第22-23页 |
| ·SVM-RFE递归特征消去算法 | 第23-25页 |
| ·实验结果与分析 | 第25-28页 |
| ·实验数据 | 第25-26页 |
| ·传统统计学方法 | 第26页 |
| ·实验结果与分析 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于SVM-RFE-SFS的基因选择算法 | 第29-41页 |
| ·SVM-RFE的问题 | 第29-31页 |
| ·序列后向选择方法和序列前向选择方法 | 第31-32页 |
| ·SVM-RFE-SFS基因选择算法 | 第32-34页 |
| ·一阶差分基因组 | 第32-33页 |
| ·SVM-RFE-SFS算法 | 第33-34页 |
| ·实验结果与分析 | 第34-39页 |
| ·参数选择 | 第34-37页 |
| ·实验结果与分析 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 自适应核宽度参数选取算法 | 第41-49页 |
| ·非线性支持向量机 | 第41-43页 |
| ·SVM核参数的选择 | 第43页 |
| ·自适应核宽度方法 | 第43-45页 |
| ·2范数核宽度参数 | 第43-44页 |
| ·自适应核宽度参数选择 | 第44-45页 |
| ·实验结果与分析 | 第45-48页 |
| ·留一交叉验证法 | 第45-46页 |
| ·LOOCV实验结果与分析 | 第46-47页 |
| ·交叉验证结果与分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 混合SVM-RFE-SFS基因选择算法 | 第49-56页 |
| ·SVM-RFE-SFS中K值的影响 | 第49-50页 |
| ·混合SVM-RFE-SFS模型 | 第50-52页 |
| ·实验结果与分析 | 第52-55页 |
| ·参数选取 | 第52页 |
| ·LOOCV实验结果与分析 | 第52-54页 |
| ·交叉验证结果与分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |
