| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-29页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 mi RNA研究 | 第13-16页 |
| 1.2.1 mi RNA的发现 | 第13-14页 |
| 1.2.2 mi RNA合成 | 第14-15页 |
| 1.2.3 mi RNA的调节机制和功能 | 第15-16页 |
| 1.3 mi RNA靶基因识别技术概述 | 第16-27页 |
| 1.3.1 mi RNA靶基因检测的生物学方法 | 第18-19页 |
| 1.3.2 生物信息学算法 | 第19-25页 |
| 1.3.3 mi RNA靶基因预测算法性能评估和小结 | 第25-27页 |
| 1.4 本文主要研究内容 | 第27-29页 |
| 第2章 基于支持向量机miRNA靶基因预测理论基础 | 第29-41页 |
| 2.1 引言 | 第29页 |
| 2.2 机器学习 | 第29-30页 |
| 2.3 统计学习理论 | 第30-33页 |
| 2.3.1 学习过程的一致性条件 | 第31页 |
| 2.3.2 VC维 | 第31-32页 |
| 2.3.3 推广性的界 | 第32页 |
| 2.3.4 结构风险最小化 | 第32-33页 |
| 2.4 基于支持向量机构建mi RNA靶基因分类器 | 第33-39页 |
| 2.4.1 mi RNA靶基因数据集线性可分情况 | 第34-36页 |
| 2.4.2 mi RNA靶基因数据集线性不可分情况 | 第36-39页 |
| 2.5 mi RNA靶基因分类器-核函数 | 第39-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第3章 基于SVM的miRNA靶基因预测特征提取及选择 | 第41-58页 |
| 3.1 引言 | 第41页 |
| 3.2 mi RNA靶基因数据集建立 | 第41-44页 |
| 3.2.1 Tar Base数据库 | 第41页 |
| 3.2.2 支持向量机SVM的训练集和测试集 | 第41-44页 |
| 3.3 mi RNA靶基因识别规则 | 第44-45页 |
| 3.4 mi RNA靶基因的特征提取 | 第45-49页 |
| 3.5 基于分类间隔的特征选择算法SVM-FSCI | 第49-57页 |
| 3.5.1 特征选择与样本集线性可分性的关系 | 第49-53页 |
| 3.5.2 SVM-FSCI算法及流程图 | 第53-55页 |
| 3.5.3 SVM-FSCI算法的特征选择结果 | 第55-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 嵌入欠采样的集成算法预测miRNA靶基因 | 第58-69页 |
| 4.1 引言 | 第58页 |
| 4.2 数据集不平衡对mi RNA靶基因预测的影响 | 第58页 |
| 4.3 数据集不平衡问题的解决思路 | 第58-59页 |
| 4.4 与欠采样结合的mi RNA靶基因预测集成算法SVM-IUSW | 第59-68页 |
| 4.4.1 集成学习算法 | 第59-61页 |
| 4.4.2 Ada Boost算法 | 第61-63页 |
| 4.4.3 欠采样在mi RNA靶基因预测算法中的研究 | 第63-64页 |
| 4.4.4 融入权重平滑机制的mi RNA靶基因预测集成算法SVM-IUSW | 第64-65页 |
| 4.4.5 SVM-IUSW算法描述 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 不平衡支持向量机及其核函数参数优化 | 第69-81页 |
| 5.1 引言 | 第69页 |
| 5.2 不平衡支持向量机及其惩罚参数 | 第69-72页 |
| 5.2.1 支持向量机的不平衡数据学习性能分析 | 第69-70页 |
| 5.2.2 不平衡支持向量机模型 | 第70页 |
| 5.2.3 不平衡支持向量机惩罚参数的选择 | 第70-72页 |
| 5.3 核函数参数优化 | 第72-80页 |
| 5.3.1 基于遗传算法的mi RNA靶基因预测分类器参数优化 | 第72-76页 |
| 5.3.2 基于梯度下降算法的mi RNA靶基因预测模型参数优化 | 第76-77页 |
| 5.3.3 基于自适应混合遗传算法的mi RNA靶基因预测分类器参数优化 | 第77-80页 |
| 5.4 本章小结 | 第80-81页 |
| 第6章 基于SVM的集成学习预测miRNA靶基因数据实验结果与分析 | 第81-99页 |
| 6.1 基于SVM的集成学习预测mi RNA靶基因的实验环境 | 第81页 |
| 6.2 mi RNA:m RNA特征提取 | 第81-85页 |
| 6.3 基于SVM的集成学习预测mi RNA靶基因的评价标准 | 第85-87页 |
| 6.4 基于SVM的集成学习预测mi RNA靶基因的实验过程 | 第87-88页 |
| 6.5 基于SVM的集成学习预测mi RNA靶基因实验结果与分析 | 第88-98页 |
| 6.5.1 基于分类间隔的特征选择算法SVM-FSCI | 第88-91页 |
| 6.5.2 自适应混合遗传算法 | 第91-94页 |
| 6.5.3 与欠采样结合的集成学习算法SVM-IUSW | 第94-98页 |
| 6.6 本章小结 | 第98-99页 |
| 结论 | 第99-100页 |
| 参考文献 | 第100-108页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第108-109页 |
| 致谢 | 第109-110页 |
| 作者简介 | 第110页 |
