摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第12-18页 |
1.1 研究背景及意义 | 第12-14页 |
1.2 国内外研究现状 | 第14-16页 |
1.3 本文主要工作 | 第16页 |
1.4 本文结构 | 第16-18页 |
第2章 理论基础及相关工作 | 第18-34页 |
2.1 基因表达谱数据 | 第18-23页 |
2.1.1 基因芯片技术 | 第18-19页 |
2.1.2 基因表达谱数据特点 | 第19-20页 |
2.1.3 基因表达谱数据处理 | 第20-23页 |
2.2 肿瘤分类算法 | 第23-32页 |
2.2.1 支持向量机 | 第23-27页 |
2.2.2 人工神经网络 | 第27-29页 |
2.2.3 K近邻分类算法 | 第29-31页 |
2.2.4 稀疏表示分类算法 | 第31-32页 |
2.3 分类性能评估 | 第32-33页 |
2.4 小结 | 第33-34页 |
第3章 基于IReliefF和遗传算法的组合式特征选择算法 | 第34-47页 |
3.1 引言 | 第34-35页 |
3.2 基于IReliefF的特征选择算法 | 第35-37页 |
3.2.1 ReliefF算法介绍 | 第35-36页 |
3.2.2 ReliefF算法改进 | 第36-37页 |
3.3 基于遗传算法的特征选择 | 第37-39页 |
3.3.1 遗传算法简介 | 第37-39页 |
3.3.2 遗传算法流程 | 第39页 |
3.4 基于IReliefF和遗传算法的特征选择 | 第39-42页 |
3.4.1 IReliefF- GA算法描述 | 第39-40页 |
3.4.2 基于IReliefF的遗传算法种群初始化 | 第40-41页 |
3.4.3 遗传算法适应度函数 | 第41-42页 |
3.4.4 IReliefF-GA参数设置 | 第42页 |
3.5 实验结果及分析 | 第42-45页 |
3.5.1 数据集 | 第42-43页 |
3.5.2 实验方法 | 第43页 |
3.5.3 实验结果与分析 | 第43-45页 |
3.6 小结 | 第45-47页 |
第4章 基于哈达玛纠错码支持向量机的肿瘤分类算法 | 第47-59页 |
4.1 引言 | 第47页 |
4.2 OVR-SVM、OVO-SVM、DAG-SVM和HDM-SVM分类算法 | 第47-53页 |
4.2.1 基于一对多支持向量机分类算法 | 第48页 |
4.2.2 基于一对一支持向量机分类算法 | 第48-49页 |
4.2.3 基于有向无环图支持向量机分类算 | 第49-50页 |
4.2.4 基于哈达吗纠错码支持向量机分类算法 | 第50-53页 |
4.3 实验结果及分析 | 第53-57页 |
4.3.1 数据集 | 第53页 |
4.3.2 实验方法 | 第53-54页 |
4.3.3 实验结果及分析 | 第54-57页 |
4.4 小结 | 第57-59页 |
结论 | 第59-61页 |
参考文献 | 第61-66页 |
附录A 读研期间发表学术论文和参与科研项目 | 第66-67页 |
致谢 | 第67页 |