第1章 绪论 1
参考文献 3
第2章 理论基础与相关工作 5
2.1基因表达数据特征选择方法 5
2.2神经网络 7
2.3支持向量机 11
2.4超限学习机 15
2.5集成学习 21
2.6代价敏感学习 22
2.7决策树 23
2.8粒子群算法 24
2.9遗传算法 24
2.10小结 25
参考文献 25
第3章 基于基因数据的特征选择算法 29
3.1引言 29
3.2基于信息增益的基因分组与筛选 30
3.2.1信息熵与信息增益 30
3.2.2信息增益流程 31
3.3基于互信息最大化的基因分组与筛选 32
3.4基于遗传算法的基因选择 33
3.4.1遗传算法简介 33
3.4.2遗传算法流程 33
3.4.3编码方式 34
3.4.4适应度函数 34
3.4.5遗传算子 35
3.4.6交叉率与变异率 36
3.5基于聚类算法与PSO算法的基因选择 36
3.5.1聚类算法 36
3.5.2算法描述 37
3.6基于信息增益和遗传算法的基因选择 38
3.6.1算法分析 38
3.6.2算法描述 38
3.6.3实验与结果分析 39
3.7基于互信息最大化和遗传算法的基因选择 45
3.7.1算法分析 45
3.7.2算法描述 45
3.7.3实验与结果分析 46
3.8基于互信息最大化和自适应遗传算法的基因选择 50
3.8.1自适应遗传算法 50
3.8.2算法流程 51
3.8.3实验与结果分析 52
3.9小结 54
参考文献 55
第4章 基于核主成分分析的旋转森林基因数据分类算法 58
4.1引言 58
4.2集成算法 59
4.2.1 Boosting算法 59
4.2.2 Adaboost算法 59
4.2.3 Bagging算法 60
4.2.4随机森林 60
4.2.5旋转森林 62
4.3基于核主成分分析的旋转森林 63
4.3.1核函数相关理论 63
4.3.2核主成分分析 65
4.3.3基于核主成分分析的旋转森林算法描述 66
4.4实验与结果分析 69
4.5小结 74
参考文献 75
第5章 基于改进PSO的KELM的基因表达数据分类 77
5.1引言 77
5.2基本粒子群算法 78
5.3自适应混沌粒子群算法对超限学习机参数的优化作用 78
5.3.1自适应惯性权重与适应度方差 78
5.3.2混沌序列 79
5.3.3算法分析与描述 79
5.3.4实验与结果分析 80
5.4基于改进PSO的核超限学习机算法 83
5.4.1 KELM 83
5.4.2算法简介 84
5.4.3算法分析与描述 86
5.4.4实验与结果分析 88
5.5小结 91
参考文献 91
第6章 基于输出不一致测度的ELM集成基因表达数据分类 93
6.1引言 93
6.2相异性集成 94
6.3常见的相异性度量方法 95
6.3.1输出不一致测度 95
6.3.2错误一致测度 95
6.4基于输出不一致测度的ELM集成 96
6.4.1理论分析 97
6.4.2算法描述 98
6.4.3实验与结果分析 99
6.5嵌入代价敏感的相异性集成超限学习机 102
6.5.1嵌入代价敏感的D-ELM 102
6.5.2算法分析与描述 103
6.5.3嵌入拒识代价的CS-D-ELM 104
6.6小结 105
参考文献 105
第7章 基于代价敏感的基因表达数据分类 108
7.1引言 108
7.2代价敏感超限学习机 110
7.2.1贝叶斯决策论的启发 110
7.2.2基于ELM集成的概率 111
7.2.3算法分析与描述 112
7.3嵌入拒识代价的代价敏感ELM 114
7.3.1 CS-ELM的实验结果 115
7.3.2嵌入拒识代价的CS-ELM的实验结果 117
7.4代价敏感旋转森林 120
7.4.1代价敏感决策树 120
7.4.2算法分析 122
7.4.3 CS-RoF的实验结果 122
7.5小结 127
参考文献 127
第8章 总结 131