| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-10页 |
| Extended Abstract | 第10-14页 |
| 目录 | 第14-18页 |
| 图清单 | 第18-20页 |
| 表清单 | 第20-21页 |
| 变量注释表 | 第21-22页 |
| 1 绪论 | 第22-37页 |
| ·课题来源 | 第22页 |
| ·课题研究背景及意义 | 第22-26页 |
| ·基因表达数据分类 | 第26-29页 |
| ·国内外研究现状及存在问题 | 第29-31页 |
| ·分类性能评价 | 第31-32页 |
| ·论文的主要研究内容、创新点及技术路线 | 第32-35页 |
| ·章节安排 | 第35-37页 |
| 2 理论基础与相关工作 | 第37-56页 |
| ·基因表达数据特征选择方法 | 第37-39页 |
| ·神经网络 | 第39-43页 |
| ·支持向量机 | 第43-47页 |
| ·极限学习机 | 第47-53页 |
| ·集成学习 | 第53-54页 |
| ·代价敏感学习 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 3 基于信息增益与遗传算法的模型无关基因选择算法 | 第56-71页 |
| ·引言 | 第56-57页 |
| ·基于信息增益的基因分组与筛选 | 第57-58页 |
| ·基于遗传算法的基因选择 | 第58-62页 |
| ·IGGA-Selection | 第62-64页 |
| ·实验与结果分析 | 第64-70页 |
| ·本章小结 | 第70-71页 |
| 4 基于特征选择的过抽样算法 | 第71-79页 |
| ·引言 | 第71页 |
| ·抽样方法 | 第71-73页 |
| ·基于特征选择的过抽样算法 | 第73-75页 |
| ·实验与结果分析 | 第75-78页 |
| ·本章小结 | 第78-79页 |
| 5 基于样本集分割的集成算法 | 第79-89页 |
| ·引言 | 第79页 |
| ·样本集分割研究现状 | 第79-80页 |
| ·算法分析与描述 | 第80-82页 |
| ·实验与结果分析 | 第82-88页 |
| ·小结 | 第88-89页 |
| 6 基于输出不一致测度的 ELM 集成基因表达数据分类 | 第89-100页 |
| ·相异性集成 | 第90-91页 |
| ·常见的相异性度量方法 | 第91-92页 |
| ·基于输出不一致测度的 ELM 集成 | 第92-95页 |
| ·实验与结果分析 | 第95-99页 |
| ·本章小结 | 第99-100页 |
| 7 嵌入误分类代价和拒识代价的基因表达数据分类 | 第100-113页 |
| ·引言 | 第100-101页 |
| ·代价敏感极限学习机 | 第101-104页 |
| ·算法分析与描述 | 第104-106页 |
| ·嵌入拒识代价敏感 ELM | 第106-107页 |
| ·实验与结果分析 | 第107-112页 |
| ·本章小结 | 第112-113页 |
| 8 总结与展望 | 第113-116页 |
| ·主要结论 | 第113-115页 |
| ·研究展望 | 第115-116页 |
| 参考文献 | 第116-129页 |
| 作者简历 | 第129-132页 |
| 学位论文数据集 | 第132页 |