| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 引言 | 第7-16页 |
| §1.1 核磁共振技术的发展 | 第7页 |
| §1.2 代谢组学的产生及其特点 | 第7-8页 |
| §1.2.1 代谢组学的产生 | 第7-8页 |
| §1.2.2 基于NMR的代谢组学 | 第8页 |
| §1.3 体液样品的特点、制备以及实验技术 | 第8-10页 |
| §1.3.1 体液与NMR谱 | 第8页 |
| §1.3.2 尿液的特点、制备和常用脉冲序列 | 第8-9页 |
| §1.3.3 血液的特点和常用脉冲序列 | 第9-10页 |
| §1.4 组织样品的特点、制备以及实验技术 | 第10-11页 |
| §1.4.1 组织样品的制备方法 | 第10-11页 |
| §1.4.2 组织样品的NMR实验技术 | 第11页 |
| 参考文献 | 第11-16页 |
| 第二章 处理核磁共振实验数据的常用模式识别方法 | 第16-31页 |
| §2.1 NMR数据的预处理 | 第16-18页 |
| §2.1.1 NMR谱的分段积分 | 第16-17页 |
| §2.1.2 标准化处理 | 第17页 |
| §2.1.3 距离量度 | 第17-18页 |
| §2.2 非监督方法 | 第18-23页 |
| §2.2.1 主成分分析(principal components analysis,PCA) | 第18-20页 |
| §2.2.2 非线性影射法(non-linear mapping,NLM) | 第20-21页 |
| §2.2.3 系统聚类方法(hierarchical cluster analysis,HCA) | 第21-23页 |
| §2.3 监督方法 | 第23-27页 |
| §2.3.1 偏最小二乘法(partial least squares,PLS) | 第23-25页 |
| §2.3.2 线性判别式法(linear discriminant analysis,LDA) | 第25页 |
| §2.3.3 K-最近邻法(k-nearest neighbor analysis,KNN) | 第25-26页 |
| §2.3.4 神经网络(neural networks,NN) | 第26-27页 |
| §2.4 小结 | 第27页 |
| 参考文献 | 第27-31页 |
| 第三章 KNN的原理及实现 | 第31-37页 |
| §3.1 算法流程图以及原理说明 | 第31-32页 |
| §3.2 毒理数据结果分析 | 第32-35页 |
| §3.3 小结 | 第35页 |
| 参考文献 | 第35-37页 |
| 第四章 概率神经网络的基本原理及实现 | 第37-48页 |
| §4.1 传统的神经网络算法 | 第37-41页 |
| §4.2 概率神经网络算法 | 第41-44页 |
| §4.2.1 贝叶斯决策 | 第42页 |
| §4.2.2 非参数概率密度函数的估计 | 第42-44页 |
| §4.3 数据的处理与分析 | 第44-46页 |
| §4.3.1 算法参数分析 | 第44-45页 |
| §4.3.2 数据结果分析 | 第45-46页 |
| §4.4 小结 | 第46页 |
| 参考文献 | 第46-48页 |
| 总结 | 第48-49页 |
| 附录 | 第49-52页 |
| 1.KNN算法实现 | 第49-51页 |
| 2.PNN算法实现 | 第51-52页 |
| 致谢 | 第52页 |
