| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-14页 |
| 第1章 绪论 | 第14-20页 |
| ·研究背景 | 第14-16页 |
| ·研究内容 | 第16-17页 |
| ·主要贡献 | 第17-19页 |
| ·论文结构 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第2章 研究综述 | 第20-43页 |
| ·代谢组特征数据 | 第20-28页 |
| ·代谢组学背景概述 | 第20-21页 |
| ·代谢组特征数据的采集技术 | 第21-23页 |
| ·代谢组特征的数据特点 | 第23-25页 |
| ·代谢组学研究进展与应用概况 | 第25-28页 |
| ·计算智能方法 | 第28-38页 |
| ·计算智能方法概述 | 第28-29页 |
| ·经典计算智能优化方法 | 第29-36页 |
| ·混合框架与Memetic算法 | 第36-38页 |
| ·特征加权与机器学习算法 | 第38-42页 |
| ·特征选择与特征加权 | 第38-39页 |
| ·支持向量机 | 第39-41页 |
| ·极限学习机 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第3章 基于启发式算子链的Memetic改进算法 | 第43-65页 |
| ·启发式算子链(MetaChain)模型 | 第43-51页 |
| ·Memetic算法设计中的核心问题 | 第43-44页 |
| ·基于启发式算子链的Memetic框架泛化描述方法 | 第44-46页 |
| ·MetaChain模型的扩展 | 第46-49页 |
| ·基于多标准混合的启发式算子性能评价体系 | 第49-51页 |
| ·使用隐马尔科夫模型调度的MCMA算法 | 第51-56页 |
| ·隐马尔科夫模型概述 | 第51-53页 |
| ·基于HMM模型的启发式算子调度方法 | 第53-55页 |
| ·MCMA优化算法 | 第55-56页 |
| ·使用概率网络模型调度的MPMA算法 | 第56-61页 |
| ·贝叶斯网络概述 | 第56-58页 |
| ·基于概率网络模型的启发式算子调度方法 | 第58-60页 |
| ·MPMA优化算法 | 第60-61页 |
| ·延伸讨论 | 第61-64页 |
| ·为什么不使用协同进化? | 第61-63页 |
| ·基于离线训练的MetaChain模型优化体系 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第4章 基于Memetic优化的代谢组特征数据智能加权 | 第65-79页 |
| ·代谢组特征数据的预处理 | 第65-71页 |
| ·代谢组特征数据的清理与补全 | 第65-67页 |
| ·作为张量的代谢组特征数据处理 | 第67-69页 |
| ·特征相关性的度量标准研究 | 第69-71页 |
| ·基于Memetic优化的特征加权算法 | 第71-76页 |
| ·带阈值过滤的特征加权算法 | 第71-72页 |
| ·基于Memetic算法的智能特征加权优化系统 | 第72-74页 |
| ·优化训练加速方法研究 | 第74-76页 |
| ·使用特征权值矢量复合描述完整代谢过程 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 实验结果及性能分析 | 第79-102页 |
| ·基于MetaChain的Memetic改进算法性能 | 第79-87页 |
| ·对比算法及标准测试函数集 | 第79-81页 |
| ·实验结果及分析 | 第81-87页 |
| ·加权算法在原位肝移植代谢组数据中的性能 | 第87-94页 |
| ·数据描述与研究意义 | 第87-89页 |
| ·实验结果及分析 | 第89-94页 |
| ·加权算法在海豹幼体血液代谢组数据中的性能 | 第94-101页 |
| ·数据描述与研究意义 | 第94-98页 |
| ·实验结果及分析 | 第98-101页 |
| ·本章小结 | 第101-102页 |
| 第6章 总结与展望 | 第102-106页 |
| ·总结 | 第102-104页 |
| ·研究展望 | 第104-105页 |
| ·本章小结 | 第105-106页 |
| 参考文献 | 第106-116页 |
| 攻读博士学位期间主要研究成果 | 第116-118页 |
| 致谢 | 第118页 |
