| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 生物数据 | 第8页 |
| 1.2.2 生物图像 | 第8-9页 |
| 1.2.3 生物图像的聚类分析 | 第9页 |
| 1.2.4 生物图像的深度学习 | 第9-11页 |
| 1.3 本论文的主要内容和结构 | 第11-13页 |
| 2 聚类和分类的基础理论 | 第13-27页 |
| 2.1 聚类分析 | 第13-17页 |
| 2.1.1 聚类的基本概念和任务 | 第13页 |
| 2.1.2 聚类的距离测度 | 第13-14页 |
| 2.1.3 聚类算法分类 | 第14-17页 |
| 2.2 卷积神经网络 | 第17-22页 |
| 2.2.1 Le Net模型 | 第18-20页 |
| 2.2.2 Alex Net模型 | 第20-22页 |
| 2.2.3 其他模型 | 第22页 |
| 2.3 支持向量机 | 第22-24页 |
| 2.4 评价标准 | 第24-26页 |
| 2.4.1 聚类评价标准 | 第24-25页 |
| 2.4.2 分类评价标准 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 质谱图像分析和特征提取 | 第27-38页 |
| 3.1 质谱图像的背景和分析 | 第27-28页 |
| 3.2 图像的预处理 | 第28-30页 |
| 3.2.1 框取较强信号的区域 | 第28页 |
| 3.2.2 图像滤波 | 第28-30页 |
| 3.3 图像的特征解析 | 第30-32页 |
| 3.3.1 RGB层下的分布差异 | 第30-31页 |
| 3.3.2 HSV层下的分布差异 | 第31-32页 |
| 3.4 图像的特征提取 | 第32-36页 |
| 3.4.1 颜色直方图分析 | 第32-35页 |
| 3.4.2 颜色矩 | 第35-36页 |
| 3.5 图像的特征生成和特征降维 | 第36页 |
| 3.6 本章小结 | 第36-38页 |
| 4 基于密度聚类的质谱数据分析 | 第38-57页 |
| 4.1 实验数据和实验过程 | 第38-39页 |
| 4.2 聚类算法的应用 | 第39-46页 |
| 4.2.1 一种密度算法的描述及优缺点分析 | 第39-41页 |
| 4.2.2 算法的改进 | 第41-43页 |
| 4.2.3 聚类结果 | 第43-46页 |
| 4.3 基于一种密度聚类算法的结果分析 | 第46-56页 |
| 4.3.1 基于不同中心点个数的聚类结果分析 | 第46-51页 |
| 4.3.2 基于不同距离测度的聚类结果分析 | 第51-52页 |
| 4.3.3 基于不同聚类算法的结果分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于卷积神经网络Alex Net的质谱图像分类 | 第57-72页 |
| 5.1 实验数据 | 第57-59页 |
| 5.2 基于卷积神经网络和支持向量机的分类实验 | 第59-62页 |
| 5.2.1 基于卷积神经网络特征提取 | 第59-61页 |
| 5.2.2 基于支持向量机的分类 | 第61-62页 |
| 5.3 分类结果分析 | 第62-70页 |
| 5.3.1 基于卷积神经网络不同全连接层的分类结果分析 | 第62-68页 |
| 5.3.2 基于不同数据量的分类结果分析 | 第68-70页 |
| 5.3.3 基于不同数据库的分类结果分析 | 第70页 |
| 5.4 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表学术论文情况 | 第79-80页 |
| 致谢 | 第80-82页 |