基于神经网络的基因缺失变异检测
| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 课题的背景及意义 | 第13页 |
| 1.2 生物信息学概述 | 第13-16页 |
| 1.2.1 基因变异 | 第14-15页 |
| 1.2.2 基因测序技术 | 第15-16页 |
| 1.3 集成算法概述 | 第16-17页 |
| 1.4 分类算法概述 | 第17-20页 |
| 1.4.1 神经网络 | 第17-19页 |
| 1.4.2 支持向量机 | 第19-20页 |
| 1.5 本文的研究内容 | 第20页 |
| 1.6 本文的创新点 | 第20-23页 |
| 第二章 基因缺失变异检测数据准备 | 第23-33页 |
| 2.1 基因结构变异检测方法 | 第23-27页 |
| 2.1.1 双末端映射法 | 第23-25页 |
| 2.1.2 分裂片段法 | 第25-26页 |
| 2.1.3 结合方法 | 第26页 |
| 2.1.4 机器学习方法 | 第26-27页 |
| 2.2 数据准备 | 第27-30页 |
| 2.2.1 特征量提取 | 第27-29页 |
| 2.2.2 实验样本生成 | 第29-30页 |
| 2.3 本章小结 | 第30-33页 |
| 第三章 Adaboost算法的研究与改进 | 第33-41页 |
| 3.1 SWA-Adaboost算法 | 第33-35页 |
| 3.1.1 增加样本属性 | 第33-34页 |
| 3.1.2 样本训练不均衡分析 | 第34-35页 |
| 3.1.3 错分样本权重分析 | 第35页 |
| 3.2 SWA-Adaboost描述 | 第35-36页 |
| 3.3 实验及分析 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基因缺失变异检测方法 | 第41-53页 |
| 4.1 机器学习模型 | 第41页 |
| 4.2 实验及分析 | 第41-51页 |
| 4.2.1 Boosting系列算法的实验及分析 | 第41-48页 |
| 4.2.2 支持向量机的实验及分析 | 第48-51页 |
| 4.3 本章小结 | 第51-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 研究成果及发表的学术论文 | 第61-63页 |
| 作者与导师简介 | 第63-64页 |
| 硕士研宄生学位论文答辩委员会决议书 | 第64-65页 |
