论文目录 | |
| ABSTRACT | 第1-7
页 |
| 摘要 | 第7-13
页 |
| CHAPTER 1 INTRODUCTION | 第13-20
页 |
| · Background | 第13-17
页 |
| · Roadmap of this thesis | 第17-20
页 |
| CHAPTER 2 A HYBRID PSO-BFGS STRATEGY FOR GLOBAL OPTIMIZATION OF MULTIMODAL FUNCTIONS | 第20-41
页 |
| · Introduction | 第20-21
页 |
| · PSO-BFGS strategy | 第21-28
页 |
| · Canonical particle swarm optimization | 第21-22
页 |
| · Premature convergence and local swarm diversity | 第22
页 |
| · Modification of BFGS method | 第22-23
页 |
| · Territory technique | 第23-24
页 |
| · Reposition technique | 第24-25
页 |
| · General scheme of PSO-BFGS strategy | 第25-27
页 |
| · Reconstruction technique | 第27-28
页 |
| · Benchmark tests and discussions | 第28-39
页 |
| · Experimental setup | 第28-30
页 |
| · Experimental results and discussions | 第30-39
页 |
| · Conclusions | 第39-41
页 |
| CHAPTER 3 TUNING SVM PARAMETERS USING A HYBRID CLPSO-BFGS ALGORITHM | 第41-58
页 |
| · Introduction | 第41-42
页 |
| · Preliminary studies | 第42-45
页 |
| · SVM formulations | 第42-43
页 |
| · Existing generalization error bounds | 第43-45
页 |
| · Proposed method | 第45-49
页 |
| · BFGS method for SVM parameter tuning | 第45-46
页 |
| · CLPSO-BFGS for tuning SVM parameters | 第46-49
页 |
| · Experimental results and discussions | 第49-57
页 |
| · Parameter settings | 第49
页 |
| · Derivative calculation of the LOO bounds | 第49-50
页 |
| · Benchmark datasets | 第50-51
页 |
| · Experimental results | 第51-57
页 |
| · Conclusions | 第57-58
页 |
| CHAPTER 4 GENE SELECTION AND TISSUE CLASSIFICATION BASED ON SUPPORT VECTOR MACHINE AND GENETIC ALGORITHM | 第58-65
页 |
| · Introduction | 第58-59
页 |
| · The proposed method | 第59-62
页 |
| · Coarse selection with Wilcoxon-test | 第59-60
页 |
| · Data normalization | 第60
页 |
| · Fine selection with SVM | 第60-61
页 |
| · Parameter optimization with GA | 第61-62
页 |
| · Experimental results | 第62-64
页 |
| · Dataset description and performance evaluation | 第62
页 |
| · Experimental setup | 第62-63
页 |
| · Experimental results | 第63-64
页 |
| · Conclusions | 第64-65
页 |
| CHAPTER 5 GRAPH EMBEDDING BASED FEATURE SELECTION | 第65-82
页 |
| · Introduction | 第65-67
页 |
| · Prior knowledge: graph embedding for feature extraction | 第67-70
页 |
| · Graph embedding based feature selection | 第70-74
页 |
| · MFA score based filter methods for feature selection | 第72-74
页 |
| · Complexity analysis | 第74
页 |
| · Experiments | 第74-81
页 |
| · Data preparation and performance evaluations | 第74-75
页 |
| · Model selection | 第75-76
页 |
| · Toy experiments | 第76-77
页 |
| · Real-data experiments | 第77-81
页 |
| · Conclusions | 第81-82
页 |
| CONCLUSION AND FUTURE WORK | 第82-85
页 |
| REFERENCES | 第85-94
页 |
| ACKNOWLEDGEMENTS | 第94-95
页 |
| APPENDICES A | 第95
页 |
