| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第12-32页 |
| 1.1 代谢组学及其研究进展 | 第12-17页 |
| 1.2 模式识别技术 | 第17-19页 |
| 1.2.1 偏最小二乘-判别分析 | 第17-18页 |
| 1.2.2 分类回归树 | 第18-19页 |
| 1.3 集成学习算法 | 第19-22页 |
| 1.3.1 集成学习的概念 | 第19-21页 |
| 1.3.2 Bagging算法 | 第21-22页 |
| 1.4 选择性集成学习 | 第22-23页 |
| 1.4.1 选择性集成学习的概念 | 第22-23页 |
| 1.4.2 粒子群优化算法 | 第23页 |
| 1.5 肺癌 | 第23-24页 |
| 1.6 本论文的立题思想和主要研究内容 | 第24-26页 |
| 参考文献 | 第26-32页 |
| 第二章 基于粒子群优化的选择性自助集成分类树算法用于肺癌血清的~1HNMR代谢组学数据分析研究 | 第32-56页 |
| 2.1 前言 | 第32-35页 |
| 2.2 理论 | 第35-40页 |
| 2.2.1 分类树(CT) | 第35-36页 |
| 2.2.2 Bagging算法 | 第36-37页 |
| 2.2.3 粒子群优化算法(PSO) | 第37页 |
| 2.2.4 基于离散二进制PSO算法的分类树优选自助集成 | 第37-39页 |
| 2.2.5 目标函数的选定 | 第39-40页 |
| 2.3 数据集 | 第40-41页 |
| 2.4 结果和讨论 | 第41-50页 |
| 2.5 小结 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 第三章 基于粒子群优化的选择性自助集成偏最小二乘-判别分析算法用于肺癌血清的~1H NMR代谢组学数据分析研究 | 第56-75页 |
| 3.1 前言 | 第56-57页 |
| 3.2 理论 | 第57-61页 |
| 3.2.1 最小二乘-判别分析(PLS-DA) | 第57-58页 |
| 3.2.2 基于粒子群优化的选择性自助集成偏最小二乘-判别分析算法(PSOBAGPLS-DA) | 第58-60页 |
| 3.2.3 模式识别算法的性能评估 | 第60-61页 |
| 3.3 数据集 | 第61-62页 |
| 3.4 结果与讨论 | 第62-71页 |
| 3.5 小结 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 第4章 总结 | 第75-76页 |
| 致谢 | 第76页 |
