基于神经网络和小波分析技术的基因表达谱数据分析
| 目录 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-8页 |
| 第1章 绪 论 | 第8-16页 |
| ·课题背景 | 第8-10页 |
| ·研究现状 | 第10-11页 |
| ·研究内容 | 第11-13页 |
| ·研究对象 | 第13-14页 |
| ·本文结构 | 第14-15页 |
| 本章小节 | 第15-16页 |
| 第2章 基因表达谱数据的预处理和降噪 | 第16-33页 |
| ·基因表达谱数据 | 第16-21页 |
| ·基因芯片技术用于癌症分型和诊断 | 第16-20页 |
| ·基因表达谱数据 | 第20-21页 |
| ·数据预处理 | 第21-23页 |
| ·小波变换用于降噪 | 第23-32页 |
| ·小波分析的基本原理 | 第23-28页 |
| ·小波变换用于降噪 | 第28-32页 |
| 本章小节 | 第32-33页 |
| 第3章 特征提取 | 第33-50页 |
| ·特征提取的基本概念 | 第33页 |
| ·传统的特征提取方法 | 第33-37页 |
| ·按欧氏距离度量的特征提取方法 | 第34-36页 |
| ·模拟退火算法 | 第36-37页 |
| ·基于小波分析的特征提取方法 | 第37-49页 |
| ·离散小波变换用于特征提取 | 第38-49页 |
| 本章小节 | 第49-50页 |
| 第4章 组织样本的分类 | 第50-64页 |
| ·加权表决法用于组织样本分类 | 第52-53页 |
| ·基于人工神经网络的组织样本分类方法 | 第53-63页 |
| ·人工神经网络的基本原理 | 第53-57页 |
| ·径向基函数网络 | 第57-58页 |
| ·概率神经网络用于组织样本分类 | 第58-63页 |
| 本章小节 | 第63-64页 |
| 第5章 基因的聚类分析 | 第64-77页 |
| ·基因聚类的背景和基本原理 | 第64-65页 |
| ·传统的基因聚类方法 | 第65-70页 |
| ·层次聚类法用于基因聚类 | 第65-67页 |
| ·K 均值法 | 第67-68页 |
| ·模糊 C 均值法 | 第68-70页 |
| ·基于自组织特征映射神经网络的聚类方法 | 第70-74页 |
| ·实验结果和结论 | 第74-76页 |
| 本章小节 | 第76-77页 |
| 总结 | 第77-80页 |
| 参考文献 | 第80-84页 |
| 附录 | 第84-85页 |
| 攻读硕士学位期间发表和投出的学术论文 | 第85-86页 |
| 致谢 | 第86页 |
