声明
摘要
第1章 绪论
1.1 研究背景
1.2 研究内容
1.3 主要贡献
1.4 论文结构
1.5 本章小结
第2章 研究综述
2.1 代谢组特征数据
2.1.1 代谢组学背景概述
2.1.2 代谢组特征数据的采集技术
2.1.3 代谢组特征的数据特点
2.1.4 代谢组学研究进展与应用概况
2.2 计算智能方法
2.2.1 计算智能方法概述
2.2.2 经典计算智能优化方法
2.2.3 混合框架与Memetic算法
2.3 特征加权与机器学习算法
2.3.1 特征选择与特征加权
2.3.2 支持向量机
2.3.3 极限学习机
2.4 本章小结
第3章 基于启发式算子链的Memetic改进算法
3.1 启发式算子链(MetaChain)模型
3.1.1 Memetic算法设计中的核心问题
3.1.2 基于启发式算子链的Memetic框架泛化描述方法
3.1.3 MetaChain模型的扩展
3.1.4 基于多标准混合的启发式算子性能评价体系
3.2 使用隐马尔科夫模型调度的MCMA算法
3.2.1 隐马尔科夫模型概述
3.2.2 基于HMM模型的启发式算子调度方法
3.2.3 MCMA优化算法
3.3 使用概率网络模型调度的MPMA算法
3.3.1 贝叶斯网络概述
3.3.2 基于概率网络模型的启发式算子调度方法
3.3.3 MPMA优化算法
3.4 延伸讨论
3.4.1 为什么不使用协同进化
3.4.2 基于离线训练的MetaChain模型优化体系
3.5 本章小结
第4章 基于Memetic优化的代谢组特征数据智能加权
4.1 代谢组特征数据的预处理
4.1.1 代谢组特征数据的清理与补全
4.1.2 作为张量的代谢组特征数据处理
4.1.3 特征相关性的度量标准研究
4.2 基于Memetie优化的特征加权算法
4.2.1 带阈值过滤的特征加权算法
4.2.2 基于Memetic算法的智能特征加权优化系统
4.2.3 优化训练加速方法研究
4.3 使用特征权值矢量复合描述完整代谢过程
4.4 本章小结
第5章 实验结果及性能分析
5.1 基于MetaChain的Memetic改进算法性能
5.1.1 对比算法及标准测试函数集
5.1.2 实验结果及分析
5.2 加权算法在原位肝移植代谢组数据中的性能
5.2.1 数据描述与研究意义
5.2.2 实验结果及分析
5.3 加权算法在海豹幼体血液代谢组数据中的性能
5.3.1 数据描述与研究意义
5.3.2 实验结果及分析
5.4 本章小结
第6章 总结与展望
6.1 总结
6.2 研究展望
6.3 本章小结
参考文献
攻读博士学位期问主要研究成果
致谢
浙江大学;