基于机器学习的唾液分泌蛋白识别研究

提要	第4-5页
摘要	第5-7页
Abstract	第7-9页
第1章 绪论	第13-15页
1.1 本文的研究目的和意义	第13页
1.2 本文的主要工作	第13-14页
1.3 本文的结构	第14-15页
第2章 相关技术与数据来源	第15-21页
2.1 机器学习与知识发现	第15-16页
2.1.1 机器学习	第15页
2.1.2 知识发现	第15-16页
2.1.3 机器学习与知识发现的关系	第16页
2.2 分类与聚类	第16-18页
2.2.1 分类	第17页
2.2.2 聚类	第17-18页
2.3 特征选择	第18-19页
2.3.1 特征选择的定义	第18页
2.3.2 特征选择的分类	第18-19页
2.3.3 评价函数	第19页
2.4 本文相关数据库介绍	第19-21页
第3章 凝结核聚类算法	第21-35页
3.1 研究背景	第21-22页
3.2 相关算法简介	第22-25页
3.2.1 支持向量聚类算法	第22-23页
3.2.2 k-均值算法	第23-24页
3.2.3 最小生成树聚类	第24-25页
3.2.4 判别分析方法	第25页
3.3 研究方法	第25-31页
3.3.1 方法概述	第25-26页
3.3.2 凝结核的形成与聚类分析	第26-28页
3.3.3 剩余样本的类划分	第28页
3.3.4 三种凝结核聚类方法	第28-29页
3.3.5 参数设置	第29-31页
3.4 实验结果	第31-33页
3.4.1 模拟数据集	第31-32页
3.4.2 鸢尾花 Iris 数据集	第32-33页
3.5 本章小结	第33-35页
第4章 基于局部样本的特征选择方法	第35-47页
4.1 研究背景	第35-36页
4.2 研究方法	第36-39页
4.2.1 方法概述	第36页
4.2.2 样本间距离的衡量标准	第36-38页
4.2.3 获取局部样本的方法	第38-39页
4.2.4 特征基因的获取	第39页
4.3 实验数据	第39-41页
4.3.1 数据集描述	第39-40页
4.3.2 数据预处理	第40-41页
4.4 实验结果	第41-45页
4.4.1 性能评价标准	第41页
4.4.2 癌症数据集的统计分析	第41-45页
4.5 本章小结	第45-47页
第5章 唾液分泌蛋白识别模型及其应用与改进	第47-71页
5.1 研究背景	第47-48页
5.2 研究方法	第48-51页
5.2.1 方法概述	第48-49页
5.2.2 特征选择方法	第49页
5.2.3 分类器的构建	第49-50页
5.2.4 基因表达数据分析方法	第50-51页
5.2.5 疾病标志物排名统计分析方法	第51页
5.3 实验数据	第51-56页
5.3.1 训练集合	第52页
5.3.2 蛋白质特征集合	第52-53页
5.3.3 两个蛋白质标志物集合	第53-55页
5.3.4 头颈部鳞癌的基因表达数据集合	第55-56页
5.4 实验结果	第56-65页
5.4.1 蛋白质特征选择	第56-57页
5.4.2 构建唾液分泌蛋白预测模型	第57-59页
5.4.3 人类蛋白质筛查实验	第59-60页
5.4.4 疾病的唾液标志物识别	第60-64页
5.4.5 头颈部鳞癌标志物预测	第64-65页
5.5 模型改进	第65-69页
5.5.1 负样本集的构建	第66-67页
5.5.2 基于局部样本的特征选择	第67页
5.5.3 实验结果	第67-69页
5.6 本章小结	第69-71页
第6章 结论与展望	第71-73页
参考文献	第73-79页
作者简介及在学期间所取得的科研成果	第79-81页
致谢	第81-82页