| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 致谢 | 第11-12页 |
| 第一部分 生物信息学现状及计算智能理论基础 | 第12-58页 |
| 第一章 绪论 | 第14-32页 |
| 1.1 生物信息学研究的背景与现状 | 第14-17页 |
| 1.1.1 生物信息学的定义 | 第14-15页 |
| 1.1.2 生物信息学研究的内容 | 第15-17页 |
| 1.1.3 生物信息学的应用 | 第17页 |
| 1.2 系统生物学:系统与控制科学在生物信息学的应用 | 第17-23页 |
| 1.2.1 生物系统的特征 | 第19-20页 |
| 1.2.2 系统结构的辨识 | 第20-21页 |
| 1.2.3 系统行为分析 | 第21-22页 |
| 1.2.4 系统生物学的通用开发平台与仿真系统 | 第22页 |
| 1.2.5 控制方法与设计方法 | 第22-23页 |
| 1.3 基因芯片技术概述 | 第23-26页 |
| 1.3.1 基因芯片技术 | 第23-25页 |
| 1.3.2 基因芯片的主要类型 | 第25页 |
| 1.3.3 芯片的数据处理 | 第25-26页 |
| 1.3.4 基因芯片的应用 | 第26页 |
| 1.4 本文的主要成果 | 第26-27页 |
| 1.5 本文的组织 | 第27页 |
| 1.6 本章小结 | 第27-28页 |
| 参考文献 | 第28-32页 |
| 第二章 计算智能的理论基础 | 第32-58页 |
| 2.1 概述 | 第32-33页 |
| 2.2 遗传算法 | 第33-37页 |
| 2.2.1 简单遗传算法 | 第33-34页 |
| 2.2.2 遗传算法有关名词的定义 | 第34-36页 |
| 2.2.3 模式 | 第36-37页 |
| 2.3 支持向量机 | 第37-47页 |
| 2.3.1 最优分离超平面 | 第38-40页 |
| 2.3.2 分类超曲面 | 第40-42页 |
| 2.3.3 支持向量机 | 第42-43页 |
| 2.3.4 SVM的一些学习算法 | 第43-46页 |
| 2.3.5 支持向量机和神经网络的差别 | 第46-47页 |
| 2.4 神经网络 | 第47-52页 |
| 2.4.1 神经元网络的基本概念 | 第48-50页 |
| 2.4.2 具有多层的神经元网络 | 第50-51页 |
| 2.4.3 LVQ神经元网络概述 | 第51-52页 |
| 2.5 模糊逻辑简述 | 第52-53页 |
| 2.5 人工免疫系统简介 | 第53页 |
| 2.5 DNA计算简介 | 第53-54页 |
| 2.6 本章小结 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 第二部分 计算智能在DNA序列分析中的应用 | 第58-84页 |
| 第三章 用支持向量机识别水稻DNA序列剪接位点 | 第60-68页 |
| 3.1 引言 | 第60-61页 |
| 3.2 算法 | 第61-62页 |
| 3.3 方法 | 第62-63页 |
| 3.3.1 序列的编码方法 | 第62页 |
| 3.3.2 样本长度的选取 | 第62-63页 |
| 3.4 数据集 | 第63页 |
| 3.5 结果 | 第63-64页 |
| 3.5.1 在5’位点的识别准确度(GT位点) | 第63-64页 |
| 3.5.2 在3’位点的识别准确度(AG位点) | 第64页 |
| 3.6 讨论和结论 | 第64-65页 |
| 3.7 本章小结 | 第65页 |
| 参考文献 | 第65-68页 |
| 第四章 水稻3’UTR序列CIS元件的滑动窗口分析模型 | 第68-84页 |
| 4.1 引言 | 第68-69页 |
| 4.2 材料与方法 | 第69-75页 |
| 4.2.1 3’-UTR序列的数据准备 | 第69-71页 |
| 4.2.2 滑动窗口序列片段的信息熵模型 | 第71-73页 |
| 4.2.3 用支持向量机(SVM)提取3’-UTR序列中的信息 | 第73-75页 |
| 4.3 结果 | 第75-78页 |
| 4.3.1 碱基组分分析 | 第75-76页 |
| 4.3.2 碱基信息熵分布 | 第76-77页 |
| 4.3.3 用机器学习方法揭示3’端序列的信息特征 | 第77-78页 |
| 4.4 讨论 | 第78-81页 |
| 4.5 本章小结 | 第81页 |
| 参考文献 | 第81-84页 |
| 第三部分 计算智能在基因芯片数据分析中的应用 | 第84-117页 |
| 第五章 基于遗传算法和LVQ神经网络的特征选择新算法 | 第86-96页 |
| 5.1 引言 | 第86-87页 |
| 5.2 算法 | 第87-90页 |
| 5.2.1 基于LVQ分类的遗传算法(GA／LVQ) | 第87-89页 |
| 5.2.2 LVQ神经网络 | 第89页 |
| 5.2.3 留一交叉验证方法(LOOCV) | 第89-90页 |
| 5.3 数据 | 第90页 |
| 5.4 结果 | 第90-92页 |
| 5.4.1 参数选择 | 第90-91页 |
| 5.4.2 计算结果 | 第91-92页 |
| 5.5 本章小结 | 第92-93页 |
| 参考文献 | 第93-96页 |
| 第六章 基于遗传算法和支持向量机的基因表达谱数据分析 | 第96-112页 |
| 6.1 引言 | 第96-97页 |
| 6.2 数据与算法 | 第97-100页 |
| 6.2.1 NCI 60数据集 | 第97-98页 |
| 6.2.2 GCM数据集 | 第98页 |
| 6.2.3 白血病与大肠癌数据集 | 第98页 |
| 6.2.4 留一交叉验证方法(LOOCV) | 第98页 |
| 6.2.5 GA／SVM算法 | 第98-100页 |
| 6.3 结果 | 第100-106页 |
| 6.3.1 数据的滤波 | 第100-101页 |
| 6.3.2 最优参数的选择 | 第101-102页 |
| 6.3.3 多类别的肿瘤分型 | 第102-105页 |
| 6.3.4 用GA／SVM算法进行两类别的分类 | 第105-106页 |
| 6.4 讨论 | 第106-108页 |
| 6.4.1 GA／SVM作为一个多类别分类的算法 | 第106-107页 |
| 6.4.2 GA／SVM作为一个表达谱数据挖掘的工具 | 第107-108页 |
| 6.5 本章小结 | 第108页 |
| 参考文献 | 第108-112页 |
| 第七章 结论与展望 | 第112-117页 |
| 7.1 结论 | 第112页 |
| 7.2 未来研究的展望 | 第112-115页 |
| 参考文献 | 第115-117页 |
| 附录一: 作者攻博期间发表的论文 | 第117-118页 |
| 附录二: 作者攻博期间参加的工程实践、科研项目及学术会议 | 第118页 |
