| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-22页 |
| 1.1 机器学习算法简介 | 第8-15页 |
| 1.1.1 偏最小二乘及其改进形式 | 第8-11页 |
| 1.1.2 决策森林 | 第11-14页 |
| 1.1.3 支持向量机 | 第14-15页 |
| 1.2 机器学习算法在癌症研究中的应用 | 第15-17页 |
| 1.2.1 肿瘤细胞辐射敏感性预测 | 第15-16页 |
| 1.2.2 癌症分类 | 第16-17页 |
| 1.3 机器学习算法在橡胶混炼中的应用 | 第17-18页 |
| 1.4 不同研究领域特点 | 第18-21页 |
| 1.4.1 基因表达数据特性 | 第18-20页 |
| 1.4.2 橡胶混炼过程特性 | 第20-21页 |
| 1.5 本文研究内容 | 第21-22页 |
| 第二章 基于NCI-60细胞系的辐射敏感性预测 | 第22-52页 |
| 2.1 引言 | 第22-23页 |
| 2.2 基于NCI-60细胞系的非线性SF2预测模型 | 第23-30页 |
| 2.2.1 NCI-60细胞系基因表达数据及SF2 | 第23-26页 |
| 2.2.2 非线性SF2预测模型 | 第26-30页 |
| 2.2.3 模型评价 | 第30页 |
| 2.3 生存分析 | 第30-31页 |
| 2.3.1 Cox模型 | 第30-31页 |
| 2.3.2 癌症病例数据集 | 第31页 |
| 2.4 基因功能注释 | 第31-34页 |
| 2.4.1 GO及KEGG数据库 | 第32页 |
| 2.4.2 David在线分析工具 | 第32-34页 |
| 2.5 数据预处理方法 | 第34页 |
| 2.6 结果与讨论 | 第34-51页 |
| 2.6.1 新模型预测的SF2值及与已有研究工作比较 | 第34-36页 |
| 2.6.2 SVM算法与线性回归算法比较 | 第36页 |
| 2.6.3 三类癌症病人生存分析 | 第36-42页 |
| 2.6.4 三个遗传网络 | 第42-46页 |
| 2.6.5 六个"hub"基因 | 第46页 |
| 2.6.6 129个基因功能富集分析 | 第46-51页 |
| 2.7 本章小结 | 第51-52页 |
| 第三章 基于SPDF模型的癌症分类 | 第52-60页 |
| 3.1 引言 | 第52-53页 |
| 3.2 新的SPDF分类模型 | 第53-54页 |
| 3.3 癌症数据集和模型评价 | 第54-55页 |
| 3.3.1 数据集简介 | 第54页 |
| 3.3.2 模型评价 | 第54-55页 |
| 3.4 结果与讨论 | 第55-58页 |
| 3.4.1 四种模型最优分类效果比较 | 第55-56页 |
| 3.4.2 不同基因数目下分类结果比较 | 第56-58页 |
| 3.4.3 不同基分类器数目下分类效果比较 | 第58页 |
| 3.5 本章小结 | 第58-60页 |
| 第四章 基于Q统计量和PLS算法的橡胶硬度在线预测模型 | 第60-71页 |
| 4.1 引言 | 第60-61页 |
| 4.2 基于Q统计量与PLS算法的预测模型 | 第61-66页 |
| 4.2.1 Q统计量及模型更新 | 第61-64页 |
| 4.2.2 QPLS模型 | 第64页 |
| 4.2.3 QRPLS模型 | 第64-65页 |
| 4.2.4 QKPLS模型 | 第65-66页 |
| 4.3 橡胶数据集简介 | 第66-67页 |
| 4.4 结果与讨论 | 第67-70页 |
| 4.4.1 六种模型预测效果对比分析 | 第67-69页 |
| 4.4.2 Q统计量筛选样本过程 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 工作总结 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 发表论文和参加科研情况说明 | 第79-80页 |
| 致谢 | 第80页 |
