| 中英文缩略词对照表 | 第5-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 前言 | 第11-15页 |
| 1.肿瘤数据的研究意义 | 第11页 |
| 2.基因表达谱数据 | 第11-12页 |
| 3.机器学习和智能优化在基因表达数据研究中的应用 | 第12-15页 |
| 3.1 用于基因表达数据分类研究的机器学习算法 | 第13-14页 |
| 3.2 用于基因表达数据分类研究的智能优化算法 | 第14-15页 |
| 4.研究的思路与内容 | 第15页 |
| 材料与研究方法 | 第15-25页 |
| 1.肿瘤基因表达数据的收集 | 第15-17页 |
| 2.特征选择算法 | 第17-19页 |
| 2.1 信息增益(informationgain,IG) | 第17页 |
| 2.2 增益比（information gain ratio, GR） | 第17-18页 |
| 2.3 ReliefF算法 | 第18页 |
| 2.4 相关性(correlation) | 第18页 |
| 2.5 FCBF算法(fastcorrelation-basedfilter) | 第18-19页 |
| 3.分类算法 | 第19-24页 |
| 3.1 用于基因表达数据分类的机器学习算法—支持向量机SVM | 第19-21页 |
| 3.2 智能优化相关 | 第21-24页 |
| 3.2.1 粒子群优化算法PSO | 第21-22页 |
| 3.2.2 人工蜂群算法ABC | 第22-23页 |
| 3.2.3 PSO结合ABC优化SVM分类算法PA-SVM | 第23-24页 |
| 4.实验环境 | 第24-25页 |
| 结果和讨论 | 第25-30页 |
| 1.肿瘤样本信息基因子集选择 | 第25-28页 |
| 1.1 实验数据集的选取 | 第25-26页 |
| 1.2 IG-SVM特征选择方法结果 | 第26-28页 |
| 2.PA-SVM分类性能评估 | 第28-30页 |
| 2.1 实验数据集的选取 | 第28页 |
| 2.2 PA-SVM分类结果 | 第28-30页 |
| 结论 | 第30-31页 |
| 1.肿瘤信息基因选择 | 第30页 |
| 2.肿瘤样本分类 | 第30-31页 |
| 参考文献 | 第31-35页 |
| 综述 | 第35-48页 |
| 参考文献 | 第44-48页 |
| 作者简介及读研期间主要科研成果 | 第48-49页 |
| 致谢 | 第49页 |
