| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·研究背景 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·同源搜索算法 | 第12页 |
| ·比较基因组学预测算法 | 第12-13页 |
| ·序列与结构预测算法 | 第13页 |
| ·与作用靶标相结合的预测算法 | 第13-14页 |
| ·机器学习预测算法 | 第14-15页 |
| ·本文研究的内容 | 第15页 |
| ·本文组织结构 | 第15-17页 |
| 第2章 相关理论 | 第17-24页 |
| ·统计学习理论 | 第17-19页 |
| ·支持向量机 | 第19-21页 |
| ·线性可分支持向量机 | 第19-20页 |
| ·非线性可分支持向量机 | 第20-21页 |
| ·核函数 | 第21页 |
| ·聚类 | 第21-23页 |
| ·聚类理论 | 第21-23页 |
| ·k-均值聚类理论 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于聚类的分类不平衡方法预测miRNA | 第24-35页 |
| ·样本数据集合的建立 | 第24-25页 |
| ·真实pre-miRNA样本的选取 | 第24-25页 |
| ·伪pre-miRNA样本集合的建立 | 第25页 |
| ·基于F-score算法筛选pre-miRNA最优特征子集 | 第25-29页 |
| ·样本集合的量化 | 第26-28页 |
| ·基于F-score算法优化特征子集 | 第28-29页 |
| ·基于聚类的集成学习方法处理分类不平衡 | 第29-32页 |
| ·样本分类不平衡的现象 | 第29-31页 |
| ·基于聚类的集成学习方法研究 | 第31-32页 |
| ·基于聚类的分类不平衡方法预测pre-miRNA | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第4章 基于SVM-RFE-ReliefF算法预测miRNA | 第35-43页 |
| ·SVM-RFE算法筛选最优特征子集 | 第35-37页 |
| ·基于SVM-RFE-ReliefF算法优化pre-miRNA特征子集 | 第37-39页 |
| ·ReliefF特征选择算法 | 第37-38页 |
| ·SVM-RFE-ReliefF算法优化特征子集 | 第38-39页 |
| ·基于SVM-RFE-ReliefF算法预测miRNA方法 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第5章 实验结果及分析 | 第43-51页 |
| ·实验环境 | 第43-44页 |
| ·评价标准 | 第44-45页 |
| ·基于聚类的分类不平衡方法预测miRNA | 第45-48页 |
| ·数据集的选取与特征子集的优化 | 第45-46页 |
| ·基于聚类的分类不平衡方法预测miRNA | 第46-47页 |
| ·预测结果 | 第47-48页 |
| ·基于SVM-RFE-ReliefF算法预测miRNA | 第48-50页 |
| ·SVM-RFE-ReliefF算法筛选最优特征子集 | 第48-49页 |
| ·预测结果 | 第49-50页 |
| ·实验结果与分析 | 第50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |
