| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 1 1.1 研究背景 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·生物信息学的发展 | 第11-12页 |
| ·基因芯片的产生与应用 | 第12-13页 |
| ·本文的主要工作内容 | 第13-15页 |
| 第2章 支持向量机及相关理论 | 第15-26页 |
| ·相关理论 | 第15-20页 |
| ·数据挖掘 | 第15-17页 |
| ·机器学习 | 第17-18页 |
| ·统计学习理论 | 第18-20页 |
| ·支持向量机 | 第20-26页 |
| ·最优分类面（最优分类线） | 第21-23页 |
| ·核函数（kernel） | 第23-24页 |
| ·支持向量机的主要特点 | 第24-26页 |
| 第3章 特征选择方法 | 第26-34页 |
| ·特征选择概述 | 第26-28页 |
| ·特征选择方法分类 | 第28-31页 |
| ·按照特征的评价标准分类 | 第28-30页 |
| ·按照搜索策略分类 | 第30-31页 |
| ·特征选择方法的影响因素 | 第31-32页 |
| ·SVM-RFE 方法 | 第32-34页 |
| ·算法概述 | 第32页 |
| ·算法流程 | 第32-33页 |
| ·算法的优势 | 第33-34页 |
| 第4章 SVM-RFE 算法在癌症基因数据分析的应用 | 第34-52页 |
| ·实验数据来源 | 第34-35页 |
| ·实验过程概述 | 第35页 |
| ·T-test 方法 | 第35-37页 |
| ·实验结果及分析 | 第37-52页 |
| 第5章 总结与展望 | 第52-54页 |
| ·总结 | 第52页 |
| ·展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |