| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.1.1 肠道微生物群落研究 | 第13-14页 |
| 1.1.2 肠道微生物简介 | 第14页 |
| 1.1.3 肠道菌群对糖尿病等疾病的影响 | 第14-15页 |
| 1.2 研究意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.4 本文主要研究工作 | 第18页 |
| 1.5 本文内容及组织结构 | 第18-19页 |
| 1.6 本章小节 | 第19-21页 |
| 第二章 基于遗传算法优化的BP神经网络实现 | 第21-47页 |
| 2.1 神经网络系统简介 | 第21-28页 |
| 2.1.1 人工神经网络发展 | 第21页 |
| 2.1.2 神经网络的理论基础 | 第21-24页 |
| 2.1.3 BP神经网络的关键技术 | 第24-26页 |
| 2.1.4 BP神经网络训练步骤 | 第26-28页 |
| 2.2 数据的预处理 | 第28-31页 |
| 2.2.1 缺失值处理方法 | 第28-29页 |
| 2.2.2 数据来源及完整性情况 | 第29-31页 |
| 2.3 BP网络对肠道菌群数据的识别结果 | 第31-37页 |
| 2.4 遗传算法优化BP神经网络的理论基础 | 第37-41页 |
| 2.4.1 BP算法的优化 | 第37-38页 |
| 2.4.2 遗传算法基本原理 | 第38-39页 |
| 2.4.3 遗传算法与常规寻优算法的比较 | 第39-41页 |
| 2.5 遗传BP神经网络对肠道菌群数据的识别结果 | 第41-45页 |
| 2.6 本章小结 | 第45-47页 |
| 第三章 支持向量机模型的实现 | 第47-57页 |
| 3.1 支持向量机算法简介 | 第47-48页 |
| 3.1.1 支持向量机概述及主要思想 | 第47页 |
| 3.1.2 支持向量机的优缺点 | 第47-48页 |
| 3.2 支持向量机的关键技术 | 第48-54页 |
| 3.2.1 线性可分SVM | 第48-51页 |
| 3.2.2 线性不可分SVM | 第51-54页 |
| 3.3 支持向量机对肠道菌群数据的识别结果 | 第54-56页 |
| 3.3.1 产生训练与测试集 | 第54页 |
| 3.3.2 创建和训练SVM分类模型 | 第54页 |
| 3.3.3 SVM模型Matlab实现与结果分析 | 第54-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 改进的LDA主题模型方法与实现 | 第57-71页 |
| 4.1 LDA主题模型简介 | 第57-58页 |
| 4.1.1 LDA主题模型概述 | 第57页 |
| 4.1.2 LDA主题模型算法的基本思想 | 第57-58页 |
| 4.2 传统LDA主题模型 | 第58-61页 |
| 4.2.1 LDA主题模型数学描述 | 第58-60页 |
| 4.2.2 吉布斯抽样 | 第60-61页 |
| 4.2.3 测试新样本的主题分布 | 第61页 |
| 4.3 传统LDA模型对肠道菌群数据的识别结果 | 第61-63页 |
| 4.4 改进的LDA主题模型 | 第63-68页 |
| 4.4.1 LDA主题模型的缺点 | 第63页 |
| 4.4.2 改进LDA主题模型的权重设计 | 第63-64页 |
| 4.4.3 权重LDA主题模型的实现步骤 | 第64-65页 |
| 4.4.4 权重LDA主题模型对肠道菌群数据的识别结果 | 第65-68页 |
| 4.5 权重LDA与支持向量机、遗传BP算法的结果比较 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 下一步工作及展望 | 第72-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录A(攻读硕士学位期间主要成果) | 第79页 |