| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 国内外乳腺癌发病率状况以及研究意义 | 第11-12页 |
| 1.1.1 国内外乳腺癌发病率状况 | 第11页 |
| 1.1.2 研究的意义 | 第11-12页 |
| 1.2 乳腺肿瘤检查的方法 | 第12-14页 |
| 1.2.1 计算机辅助乳腺肿瘤诊断的现状 | 第12-14页 |
| 1.3 本文研究的主要内容及结构 | 第14-16页 |
| 第二章 基于Fisher判别的乳腺肿瘤诊断 | 第16-21页 |
| 2.1 Fisher判别原理 | 第16-19页 |
| 2.1.1 确定判别式 | 第16-18页 |
| 2.1.2 判别规则 | 第18-19页 |
| 2.2 仿真实验 | 第19-20页 |
| 2.2.1 特征属性的选取及其相关性分析 | 第19页 |
| 2.2.2 判别分析模型的建立 | 第19-20页 |
| 2.2.3 判别准则的评价 | 第20页 |
| 2.3 结论 | 第20-21页 |
| 第三章 基于PCA-K-means和PCA-自组织竞争网络的乳腺肿瘤分类 | 第21-31页 |
| 3.1 基于主成分分析的样本特征降维 | 第21-23页 |
| 3.1.1 PCA原理 | 第21页 |
| 3.1.2 主成分定义以及几何意义 | 第21-22页 |
| 3.1.3 贡献率的定义 | 第22页 |
| 3.1.4 主成分分析法算法步骤 | 第22-23页 |
| 3.2 K-means聚类 | 第23-25页 |
| 3.2.1 K-means聚类算法原理 | 第23-24页 |
| 3.2.2 K-means聚类算法的目标函数 | 第24-25页 |
| 3.2.3 K-means聚类算法的算法流程 | 第25页 |
| 3.3 自组织竞争网络 | 第25-27页 |
| 3.3.1 自组织竞争网络结构以及算法 | 第25-26页 |
| 3.3.2 竞争网络结构和学习算法 | 第26-27页 |
| 3.4 所用的算法步骤 | 第27-28页 |
| 3.5 实验结果分析 | 第28-30页 |
| 3.6 结论 | 第30-31页 |
| 第四章 基于改进的LVQ神经网络的乳腺肿瘤分类 | 第31-36页 |
| 4.1 LVQ神经网络概述 | 第31-34页 |
| 4.1.1 LVQ神经网络的结构 | 第31-32页 |
| 4.1.2 GA优化LVQ网络 | 第32-34页 |
| 4.2 仿真分析 | 第34-35页 |
| 4.3 本章小结 | 第35-36页 |
| 第五章 总结与展望 | 第36-38页 |
| 5.1 本文研究主要内容和成果 | 第36页 |
| 5.2 存在的问题及对以后工作的展望 | 第36-38页 |
| 参考文献 | 第38-42页 |
| 读硕士学位期间发表的论文 | 第42-43页 |
| 致谢 | 第43-44页 |