基于小波分析的基因芯片数据的特征提取
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究的背景 | 第10-11页 |
| ·国内外研究现状及课题意义 | 第11-12页 |
| ·课题研究创新之处以及论文结构 | 第12-14页 |
| 第2章 基于小波分析的支持向量分类机模型 | 第14-18页 |
| ·基因芯片技术 | 第14-15页 |
| ·特征选择基本概念 | 第15页 |
| ·模式分类基本概念 | 第15-16页 |
| ·基于小波分析的支持向量分类机模型 | 第16-18页 |
| 第3章 前列腺癌基因芯片数据的特征提取 | 第18-36页 |
| ·小波分析理论概述 | 第18-25页 |
| ·连续小波变换CWT | 第20页 |
| ·离散小波变换DWT | 第20-21页 |
| ·多尺度分析和Mallat 算法 | 第21-25页 |
| ·基于小波分析的特征提取过程 | 第25-26页 |
| ·小波函数的选取 | 第26-36页 |
| ·常见小波介绍 | 第26-32页 |
| ·小波函数的选取 | 第32-36页 |
| 第4章 支持向量机理论 | 第36-52页 |
| ·支持向量分类机概述 | 第37-39页 |
| ·支持向量分类机的思想 | 第37-39页 |
| ·支持向量分类机的应用 | 第39页 |
| ·机器学习 | 第39-41页 |
| ·机器学习的主要问题 | 第39-40页 |
| ·经验风险最小化 | 第40-41页 |
| ·统计学习理论 | 第41-44页 |
| ·VC 维和推广性的界 | 第42-43页 |
| ·结构风险最小化 | 第43-44页 |
| ·支持向量机的算法 | 第44-47页 |
| ·线性可分情形下的支持向量机 | 第44-46页 |
| ·线性不可分情形下的支持向量机 | 第46-47页 |
| ·支持向量机核函数及核参数选择 | 第47-49页 |
| ·常用核函数 | 第47-48页 |
| ·核参数选择 | 第48-49页 |
| ·本文支持向量分类机的设计 | 第49-52页 |
| 第5章 实验结果与分析 | 第52-66页 |
| ·数据集 | 第52页 |
| ·小波特征提取和支持向量分类机分类 | 第52-53页 |
| ·设计实验一 | 第53-59页 |
| ·Haar 小波低频系数特征提取模式分类结果 | 第56-57页 |
| ·Haar 小波高频系数特征提取模式分类结果 | 第57-58页 |
| ·对比分析 | 第58-59页 |
| ·设计实验二 | 第59-66页 |
| ·dbN 小波低频系数特征提取模式分类结果 | 第62-63页 |
| ·dbN 小波高频系数特征提取模式分类结果 | 第63页 |
| ·对比分析 | 第63-66页 |
| 第6章 结论 | 第66-68页 |
| ·结论 | 第66-67页 |
| ·今后工作 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 在学期间主要科研成果 | 第73页 |
| 一、发表学术论文 | 第73页 |
