文摘
英文文摘
第一章 绪论
1.1 问题的提出与研究意义
1.2 选题背景及研究现状
1.2.1 基因微阵列数据的研究现状
1.2.2 SVM的研究现状
1.2.3 SVM在基因微阵列数据中的应用
1.3 本文的创新点及主要研究内容
第二章 支持向量机理论研究
2.1 统计学习理论
2.1.1 机器学习基本问题和方法
2.1.2 经验风险最小化原则
2.1.3 VC维
2.1.4 推广能力的界
2.1.5 结构风险最小化
2.2 支持向量机理论
2.2.1 最优分类面
2.2.2 线性支持向量机
2.2.3 非线性支持向量机
2.3 本章小结
第三章 降维方法概述
3.1 线性降维技术
3.1.1 PCA算法
3.1.2 多维尺度变换算法
3.2 非线性降维技术
3.2.1 等距特征映射算法(Isomap)
3.2.2 局部线性嵌入算法(LLE)
3.2.3 拉普拉斯特征映射算法(LEM)
3.3 本章小结
第四章 采用降维策略的SVM分类器设计
4.1 方法介绍
4.2 分类器的设计与实现
4.2.1 SVM分类器设计
4.2.2 数据预处理方法
4.2.3 FSC基因筛选策略
4.3 多指标评估办法
4.4 仿真结果分析
4.4.1 实验数据来源
4.4.2 分类器算法流程
4.4.3 分类性能比较分析
4.4.4 数据可视化分析
4.4.5 聚类评估
4.4.6 算法耗时评估
4.5 结果与讨论
第五章 全文总结
5.1 研究工作总结
5.2 后续研究工作的展望
参考文献
致谢
在学期间公开发表论文及著作情况