首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于基因表达谱数据的肿瘤分类研究

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

论文共67页,点击 下载论文
上一篇:NSCLC患者外周血游离核酸中驱动突变EGFR、BRAF的检测及意义
下一篇:U87-EGFRvⅢ细胞的适配子在胶质瘤增殖、凋亡、迁移和侵袭中的作用