| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-19页 |
| 1.1 引言 | 第9页 |
| 1.2 DNA微阵列数据研究 | 第9-13页 |
| 1.2.1 DNA微阵列 | 第9-11页 |
| 1.2.2 研究现状 | 第11-13页 |
| 1.3 统计学习与智能优化算法 | 第13-18页 |
| 1.3.1 统计学习理论 | 第13-15页 |
| 1.3.2 智能优化算法 | 第15-18页 |
| 1.4 本文工作及章节安排 | 第18页 |
| 1.5 小结 | 第18-19页 |
| 2 分类器理论与特征选择 | 第19-39页 |
| 2.1 分类器理论 | 第20-29页 |
| 2.1.1 支持向量机(SVM) | 第20-24页 |
| 2.1.2 最小二乘支持向量机(LSSVM) | 第24-26页 |
| 2.1.3 相关向量机(RVM) | 第26-29页 |
| 2.2 特征选择方法 | 第29-36页 |
| 2.2.1 过滤法(filters) | 第30-32页 |
| 2.2.2 缠绕法(wrappers) | 第32-34页 |
| 2.2.3 嵌入法(embedded methods) | 第34-35页 |
| 2.2.4 特征子集搜索策略 | 第35-36页 |
| 2.3 小结 | 第36-39页 |
| 3 基于参数优化LSSVM的疾病诊断模型 | 第39-59页 |
| 3.1 问题描述 | 第39-41页 |
| 3.2 预处理与特征选择 | 第41-44页 |
| 3.3 分类器与参数优化 | 第44-50页 |
| 3.3.1 粒子群优化算法(PSO) | 第44-47页 |
| 3.3.2 果蝇优化算法(Fruit Fly Optimization Algorithm, FOA) | 第47-48页 |
| 3.3.3 HFPSO模型 | 第48-50页 |
| 3.4 结果分析 | 第50-56页 |
| 3.5 小结 | 第56-59页 |
| 4 基于参数优化RVM的疾病诊断模型 | 第59-69页 |
| 4.1 分类器与参数优化 | 第59-64页 |
| 4.1.1 差分进化(DE) | 第60-61页 |
| 4.1.2 蚁群优化算法(ACO) | 第61-62页 |
| 4.1.3 DEACO模型 | 第62-64页 |
| 4.2 结果分析 | 第64-68页 |
| 4.3 小结 | 第68-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 作者攻读硕士学位期间的成果 | 第79页 |