| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-16页 |
| 1.2 基因表达数据 | 第16-18页 |
| 1.2.1 基因表达数据的定义和获取 | 第16-17页 |
| 1.2.2 基因表达数据特性 | 第17-18页 |
| 1.3 国内外研究现状 | 第18-20页 |
| 1.4 论文的主要研究内容、创新点 | 第20页 |
| 1.5 章节安排 | 第20-22页 |
| 第二章 理论基础 | 第22-44页 |
| 2.1 极限学习机 | 第22-28页 |
| 2.1.1 人工神经网络简介 | 第22-24页 |
| 2.1.2 极限学习机简介 | 第24-25页 |
| 2.1.3 极限学习机的算法原理 | 第25-27页 |
| 2.1.4 极限学习机的部分特性 | 第27-28页 |
| 2.2 信息论知识基础 | 第28-33页 |
| 2.2.1 信息熵知识基础 | 第28-29页 |
| 2.2.2 联合熵 | 第29-30页 |
| 2.2.3 条件熵 | 第30-31页 |
| 2.2.4 互信息 | 第31页 |
| 2.2.5 各种熵之间的关系 | 第31-32页 |
| 2.2.6 条件互信息 | 第32页 |
| 2.2.7 联合互信息 | 第32-33页 |
| 2.3 特征选择 | 第33-39页 |
| 2.3.1 特征选择的定义 | 第33-34页 |
| 2.3.2 特征选择过程 | 第34-36页 |
| 2.3.3 特征选择方法 | 第36页 |
| 2.3.4 基于评价函数划分的特征选择方法 | 第36-39页 |
| 2.3.4.1 Filter方法 | 第36-37页 |
| 2.3.4.2 Wrapper方法 | 第37-38页 |
| 2.3.4.3 Embedded方法 | 第38页 |
| 2.3.4.4 混合方法 | 第38-39页 |
| 2.4 集成学习 | 第39-42页 |
| 2.4.1 集成学习概念 | 第39-40页 |
| 2.4.2 AdaBoost算法 | 第40-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第三章 基于多维互信息的特征选择方法 | 第44-56页 |
| 3.1 引言 | 第44-45页 |
| 3.2 基于基因表达数据的多维互信息(MMI)特征选择方法 | 第45-46页 |
| 3.2.1 基于互信息的基因表达数据特征选择方法 | 第45页 |
| 3.2.2 基于基因表达数据的多维互信息(MMI)特征选择方法 | 第45-46页 |
| 3.3 基于MMI-ELM的癌症亚型分类算法 | 第46-48页 |
| 3.3.1 算法分析 | 第46-47页 |
| 3.3.2 多维互信息特征选择算法描述 | 第47-48页 |
| 3.4 实验和结果分析 | 第48-54页 |
| 3.4.1 实验数据集 | 第48页 |
| 3.4.2 数据预处理 | 第48-49页 |
| 3.4.3 实验结果分析 | 第49-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第四章 基于AdaBoost-ELM的不平衡数据集分类方法 | 第56-62页 |
| 4.1 引言 | 第56页 |
| 4.2 基于AdaBoost-ELM的癌症亚型分类算法 | 第56-58页 |
| 4.2.1 算法设计分析 | 第56-57页 |
| 4.2.2 AdaBoost-ELM分类算法描述 | 第57-58页 |
| 4.3 实验数据集 | 第58页 |
| 4.4 实验和结果分析 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 论文内容总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 研究成果及发表的学术论文 | 第70-72页 |
| 作者和导师简介 | 第72-74页 |
| 附录 | 第74-75页 |
