| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 应用背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 Android技术及移动端生物样本系统发展现状 | 第12-13页 |
| 1.2.2 机器学习与支持向量机在基因功能表达预测方面的研究现状 | 第13-15页 |
| 1.3 论文的主要工作 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 基于Android生物样本库信息管理系统的分析与设计 | 第17-27页 |
| 2.1 系统分析 | 第17-21页 |
| 2.1.1 业务需求分析 | 第17-19页 |
| 2.1.2 数据流分析 | 第19-20页 |
| 2.1.3 非功能需求分析 | 第20-21页 |
| 2.2 系统的整体设计 | 第21-24页 |
| 2.2.1 系统整体架构 | 第21-22页 |
| 2.2.2 功能模块设计 | 第22-23页 |
| 2.2.3 手机端和服务器交互设计 | 第23-24页 |
| 2.3 数据库设计 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于Android生物样本库信息管理系统的实现 | 第27-36页 |
| 3.1 Android客户端功能实现过程 | 第27-30页 |
| 3.1.1 用户及权限管理模块的实现 | 第27-28页 |
| 3.1.2 设备管理模块的实现 | 第28-30页 |
| 3.1.3 基因表达分类模块的实现 | 第30页 |
| 3.2 客户端界面设计及效果展示 | 第30-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 支持向量机相关理论知识 | 第36-42页 |
| 4.1 SVM算法的统计学基础 | 第36-38页 |
| 4.1.1 VC维 | 第36-37页 |
| 4.1.2 推广误差边界 | 第37页 |
| 4.1.3 结构风险最小化原则 | 第37-38页 |
| 4.2 支持向量机SVM | 第38-41页 |
| 4.2.1 最优分类面 | 第39-40页 |
| 4.2.2 核函数 | 第40-41页 |
| 4.2.3 参数选取方法 | 第41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 特征选择方法 | 第42-50页 |
| 5.1 特征选择概述 | 第42-44页 |
| 5.2 特征选择方法类型 | 第44-46页 |
| 5.2.1 按照搜索策略类型分类的特征选择法 | 第44-45页 |
| 5.2.2 按照与学习算法的关系分类的特征选择法 | 第45-46页 |
| 5.3 特征选择方法的影响因素及选取原则 | 第46-48页 |
| 5.4 SVM-RFE算法 | 第48-49页 |
| 5.4.1 算法概述 | 第48页 |
| 5.4.2 算法流程 | 第48-49页 |
| 5.4.3 算法优缺点 | 第49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 FCSVM-RFE算法在基因表达分类中的应用 | 第50-65页 |
| 6.1 基因表达分类问题描述 | 第50-51页 |
| 6.2 FCSVM-RFE以及在基因分类上的应用 | 第51-54页 |
| 6.2.1 基因聚类 | 第51-52页 |
| 6.2.2 基因代表 | 第52-53页 |
| 6.2.3 基因排名 | 第53-54页 |
| 6.3 实验数据来源及描述 | 第54-56页 |
| 6.3.1 基因表达数据来源 | 第54-55页 |
| 6.3.2 基因表达数据形式 | 第55-56页 |
| 6.4 基因分类模型的设计 | 第56-58页 |
| 6.4.1 芯片数据预处理 | 第56-57页 |
| 6.4.2 评价标准 | 第57-58页 |
| 6.4.3 参数设置 | 第58页 |
| 6.5 实验过程与结果 | 第58-65页 |
| 6.5.1 实验过程 | 第59-62页 |
| 6.5.2 实验结果 | 第62-65页 |
| 第7章 总结与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 个人简历 | 第71页 |
