| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究背景 | 第8-10页 |
| ·本文工作 | 第10-11页 |
| ·章节安排 | 第11-13页 |
| 第二章 相关理论介绍 | 第13-25页 |
| ·微阵列数据 | 第13-17页 |
| ·微阵列数据简介 | 第13-14页 |
| ·微阵列数据分析的发展现状 | 第14-16页 |
| ·FILTER 与 WRAPPER | 第16-17页 |
| ·线性鉴别分析理论 | 第17-20页 |
| ·经典的 LDA 算法 | 第17-18页 |
| ·LDA 改进算法小结 | 第18-20页 |
| ·独立分量分析 | 第20-22页 |
| ·本章小结 | 第22-25页 |
| 第三章 基于 FILTER 和独立分量分析的 LDA 算法 | 第25-43页 |
| ·可行性分析 | 第25-26页 |
| ·一种新的分层提取特征的 LDA 算法设计 | 第26-29页 |
| ·FILDA 算法的实验及分析 | 第29-34页 |
| ·实验流程 | 第29-30页 |
| ·实验结果及分析 | 第30-34页 |
| ·FILDA 算法与其他 LDA 算法的对比实验 | 第34-37页 |
| ·FILDA 算法与 FPLDA 改进算法的对比实验 | 第37-40页 |
| ·ICA 与 PCA | 第37-38页 |
| ·实验设计及结果分析 | 第38-40页 |
| ·对于实验中一些问题的探讨 | 第40页 |
| ·本章小结 | 第40-43页 |
| 第四章 基于集成学习和独立分量分析的 LDA 算法 | 第43-49页 |
| ·集成学习思想的引入 | 第43-44页 |
| ·扩展的基于独立分量分析的 LDA 算法设计 | 第44-45页 |
| ·EFILDA 算法与 FILDA 算法的对比实验 | 第45-47页 |
| ·本章小节 | 第47-49页 |
| 第五章 结束语 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-61页 |
| 研究成果 | 第61-62页 |
