| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目次 | 第9-11页 |
| 图清单 | 第11-12页 |
| 表清单 | 第12-13页 |
| 1 绪论 | 第13-22页 |
| ·研究背景 | 第13-14页 |
| ·基因表达数据简介 | 第14-16页 |
| ·基因芯片表达的数据 | 第14-15页 |
| ·基因表达数据的主要特点 | 第15-16页 |
| ·基因表达数据分类国内外研究现状及存在问题 | 第16-19页 |
| ·本文的主要工作及创新点 | 第19-21页 |
| ·本文各章节的安排 | 第21-22页 |
| 2 基因表达数据分类的方法 | 第22-30页 |
| ·问题描述 | 第22-23页 |
| ·分类器简介 | 第23-30页 |
| ·k 最近邻法分类器 | 第23-24页 |
| ·贝叶斯分类器 | 第24-25页 |
| ·决策树分类器 | 第25-26页 |
| ·支持向量机 | 第26-30页 |
| 3 极限学习机原理 | 第30-37页 |
| ·神经网络简介 | 第30-33页 |
| ·极限学习机算法 | 第33-35页 |
| ·极限学习机原理 | 第33-35页 |
| ·极限学习机优点和缺点 | 第35页 |
| ·极限学习机的研究现状 | 第35-37页 |
| 4 模糊极限学习机 | 第37-56页 |
| ·单模糊与双模糊的有效性 | 第38-46页 |
| ·均匀分布数据有效性 | 第38-40页 |
| ·正态分布数据有效性 | 第40-45页 |
| ·极限学习机误差和有效性 | 第45-46页 |
| ·单模糊极限学习机 | 第46-47页 |
| ·双模糊极限学习机 | 第47-50页 |
| ·实验与结果分析 | 第50-55页 |
| ·隶属度计算方法 | 第50页 |
| ·双模糊样本数量在虚拟数据集上实验分析 | 第50-52页 |
| ·ELM，FELM，BFELM 在基因表达数据上对比实验分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 5 嵌入代价的极限学习机 | 第56-68页 |
| ·类别不平衡学习和代价敏感学习 | 第56-58页 |
| ·类别不平衡学习 | 第56-57页 |
| ·代价敏感学习 | 第57-58页 |
| ·嵌入代价的极限学习机 | 第58-61页 |
| ·嵌入代价的极限学习机行加权法 | 第58-60页 |
| ·嵌入代价的极限学习机列加权法 | 第60-61页 |
| ·嵌入代价的极限学习机阈值移动法 | 第61页 |
| ·代价参数的确定 | 第61-62页 |
| ·实验与结果分析 | 第62-67页 |
| ·C-ELM 在二维虚拟两类数据和 UCI 数据集的实验 | 第62-65页 |
| ·C-ELM 在两个基因表达数据的实验 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| ·工作总结 | 第68-69页 |
| ·工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 作者简介 | 第74页 |