基于加权非负矩阵分解的肿瘤基因表达数据聚类研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 相关理论知识 | 第17-29页 |
| 2.1 基因表达数据 | 第17-20页 |
| 2.1.1 基因表达数据的获取 | 第17-18页 |
| 2.1.2 基因表达谱数据预处理 | 第18-19页 |
| 2.1.3 基因表达数据的特点 | 第19-20页 |
| 2.2 基因表达数据的特征选择 | 第20-24页 |
| 2.2.1 特征选择的基本概念 | 第20-21页 |
| 2.2.2 特征选择的典型方法 | 第21-23页 |
| 2.2.3 无监督学习的特征选择 | 第23-24页 |
| 2.3 聚类方法 | 第24-28页 |
| 2.3.1 基因表达谱聚类分析 | 第24-25页 |
| 2.3.2 常见的聚类方法 | 第25-26页 |
| 2.3.3 聚类结果的可视化 | 第26-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 基于非负矩阵分解的聚类算法 | 第29-51页 |
| 3.1 引言 | 第29页 |
| 3.2 由ICA与MAD结合的特征选择方法 | 第29-33页 |
| 3.2.1 独立成分分析方法 | 第29-30页 |
| 3.2.2 FastICA算法 | 第30-31页 |
| 3.2.3 基因表达数据的ICA模型 | 第31-32页 |
| 3.2.4 基于ICA-MAD的基因排序方法 | 第32-33页 |
| 3.3 非负矩阵分解算法 | 第33-38页 |
| 3.3.1 问题描述 | 第33-34页 |
| 3.3.2 模型求解 | 第34-36页 |
| 3.3.3 算法伪代码 | 第36页 |
| 3.3.4 NMF模型在基因表达数据聚类中的解释 | 第36-38页 |
| 3.4 NMF聚类优化算法的研究 | 第38-43页 |
| 3.4.1 稀疏非负矩阵分解 | 第38-40页 |
| 3.4.2 加权非负矩阵分解 | 第40-43页 |
| 3.5 实验结果及分析 | 第43-50页 |
| 3.5.1 数据集 | 第43页 |
| 3.5.2 模型选择及参数设置 | 第43-44页 |
| 3.5.3 白血病数据集实验结果及分析 | 第44-49页 |
| 3.5.4 中枢神经系统肿瘤数据集实验结果及分析 | 第49-50页 |
| 3.6 小结 | 第50-51页 |
| 第4章 基于加权非负矩阵三因子分解的双聚类 | 第51-60页 |
| 4.1 引言 | 第51页 |
| 4.2 双聚类算法概论 | 第51-52页 |
| 4.3 基因表达数据的双聚类分析 | 第52-53页 |
| 4.4 基于加权非负矩阵分解的双聚类算法 | 第53-56页 |
| 4.4.1 目标函数 | 第53-54页 |
| 4.4.2 优化过程 | 第54-55页 |
| 4.4.3 SNMTF算法伪代码 | 第55-56页 |
| 4.5 实验结果及分析 | 第56-58页 |
| 4.5.1 模型选择及参数设置 | 第56页 |
| 4.5.2 BRCA数据集的实验结果及分析 | 第56-58页 |
| 4.6 小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录A 攻读学位期间所发表的学术论文及所参加项目 | 第66-67页 |
| 致谢 | 第67页 |
