| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题背景以及研究目的和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-16页 |
| 1.2.1 生物医学数据国内外研究现状 | 第8-9页 |
| 1.2.2 支持向量机的研究现状 | 第9-14页 |
| 1.2.3 基于递归特征消除法的支持向量机（SVM-RFE）研究现状 | 第14-15页 |
| 1.2.4 主成分分析研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 第2章 支持向量机 | 第18-31页 |
| 2.1 统计学习理论简介 | 第18-21页 |
| 2.1.1 学习问题 | 第18-19页 |
| 2.1.2 经验风险 | 第19页 |
| 2.1.3 VC维 | 第19-20页 |
| 2.1.4 结构风险 | 第20-21页 |
| 2.2 支持向量机 | 第21-25页 |
| 2.2.1 支持向量机分类 | 第21-23页 |
| 2.2.2 支持向量机函数拟合 | 第23-25页 |
| 2.3 核函数 | 第25-29页 |
| 2.3.1 研究现状 | 第25-26页 |
| 2.3.2 支持向量机中的核函数 | 第26-27页 |
| 2.3.3 高斯核函数 | 第27-28页 |
| 2.3.4 高斯核函数的参数选择 | 第28-29页 |
| 2.4 支持向量机的优点 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 特征选择方法 | 第31-38页 |
| 3.1 特征选择方法的概念和意义 | 第31-32页 |
| 3.2 特征选择算法 | 第32-34页 |
| 3.2.1 按照评价标准分类 | 第32-33页 |
| 3.2.2 按照搜索策略分类 | 第33-34页 |
| 3.3 特征选择方法的选取原则 | 第34-35页 |
| 3.3.1 影响因素 | 第34页 |
| 3.3.2 选取准则 | 第34-35页 |
| 3.4 SVM-RFE算法 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 主成分分析 | 第38-46页 |
| 4.1 引言 | 第38页 |
| 4.2 主成分分析的几何意义 | 第38-39页 |
| 4.3 主成分分析的主要思想 | 第39-41页 |
| 4.4 主元分析法及其相关内容 | 第41-45页 |
| 4.4.1 主元的定义与求取 | 第41-42页 |
| 4.4.2 主元得分向量和主元模型的建立 | 第42-43页 |
| 4.4.3 主元个数的确定 | 第43-44页 |
| 4.4.4 两个关键的检测统计量 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 生物医学数据的数据挖掘 | 第46-60页 |
| 5.1 简介 | 第46页 |
| 5.2 数据预处理 | 第46-47页 |
| 5.3 生物医学数据的特点 | 第47-48页 |
| 5.4 乳腺癌数据分析 | 第48-58页 |
| 5.4.1 经典SVM对乳腺癌数据分类 | 第51-53页 |
| 5.4.2 SVM-RFE对乳腺癌数据分类 | 第53-55页 |
| 5.4.3 PCA对乳腺癌数据分类 | 第55-58页 |
| 5.5 仿真结果分析 | 第58页 |
| 5.6 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-72页 |
| 致谢 | 第72页 |