| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第16-17页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 论文研究背景和意义 | 第17-19页 |
| 1.2 乳腺癌的定义和常规检测方法 | 第19-25页 |
| 1.2.1 乳腺癌的定义 | 第19页 |
| 1.2.2 常规检测方案 | 第19-25页 |
| 1.3 国内外研究的发展和现状 | 第25-27页 |
| 1.4 论文的组织和结构 | 第27-29页 |
| 1.5 本章小结 | 第29-31页 |
| 第二章 微波乳腺癌检测理论基础 | 第31-45页 |
| 2.1 乳房的生理结构和电磁特性 | 第31-34页 |
| 2.1.1 乳房的生理结构 | 第31页 |
| 2.1.2 乳房组织的电磁特性 | 第31-34页 |
| 2.2 基于微波的乳腺癌检测技术 | 第34-42页 |
| 2.2.1 微波层析成像 | 第34-35页 |
| 2.2.2 微波雷达成像 | 第35-41页 |
| 2.2.3 基于机器学习的方法 | 第41-42页 |
| 2.3 数据采集系统简介 | 第42-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第三章 基于时频表示的检测方法研究 | 第45-85页 |
| 3.1 典型特征提取方法 | 第45-51页 |
| 3.1.1 主成分分析法 | 第45-47页 |
| 3.1.2 局部判别基法 | 第47-49页 |
| 3.1.3 离散余弦变换法 | 第49-51页 |
| 3.2 基于时频表示的特征提取方法 | 第51-62页 |
| 3.2.1 经验模式分解 | 第54-56页 |
| 3.2.2 离散小波变换 | 第56-58页 |
| 3.2.3 双树复小波变换 | 第58-61页 |
| 3.2.4 特征提取 | 第61-62页 |
| 3.3 基于2v-SVM的集成选择分类器 | 第62-67页 |
| 3.3.1 2v-SVM分类器 | 第62-64页 |
| 3.3.2 集成选择分类器 | 第64-67页 |
| 3.4 实验与分析 | 第67-81页 |
| 3.4.1 数据集描述和实验设置 | 第67-74页 |
| 3.4.2 结果与分析 | 第74-81页 |
| 3.5 本章小结 | 第81-85页 |
| 第四章 基于不平衡学习的检测方法研究 | 第85-109页 |
| 4.1 经典的数据级重采样技术 | 第86-91页 |
| 4.1.1 SMOTE算法 | 第86-87页 |
| 4.1.2 Borderline SMOTE算法 | 第87-90页 |
| 4.1.3 自适应合成采样技术 | 第90-91页 |
| 4.2 基于分布的重采样技术 | 第91-97页 |
| 4.2.1 研究动机 | 第91-93页 |
| 4.2.2 LPE算法 | 第93-95页 |
| 4.2.3 样本选择与样本合成 | 第95-97页 |
| 4.3 实验与分析 | 第97-107页 |
| 4.3.1 数据集和实验设置 | 第98-99页 |
| 4.3.2 评价指标 | 第99-101页 |
| 4.3.3 结果与分析 | 第101-107页 |
| 4.4 本章小结 | 第107-109页 |
| 第五章 基于半监督的检测方法研究 | 第109-127页 |
| 5.1 经典的半监督学习模型 | 第110-114页 |
| 5.1.1 局部异常因子 | 第110-111页 |
| 5.1.2 一类支持向量机 | 第111-113页 |
| 5.1.3 支持向量数据描述 | 第113-114页 |
| 5.2 基于深度自编码和改进LPE的混合半监督模型 | 第114-120页 |
| 5.2.1 研究动机 | 第114-116页 |
| 5.2.2 基于深度自编码的降维 | 第116-118页 |
| 5.2.3 基于改进LPE的分类器设计 | 第118-120页 |
| 5.3 实验与分析 | 第120-124页 |
| 5.3.1 数据集和实验设置 | 第121-122页 |
| 5.3.2 结果与分析 | 第122-124页 |
| 5.4 本章小结 | 第124-127页 |
| 第六章 结束语 | 第127-131页 |
| 6.1 论文工作总结 | 第127-129页 |
| 6.2 研究领域展望 | 第129-131页 |
| 附录 缩略语表 | 第131-133页 |
| 参考文献 | 第133-145页 |
| 致谢 | 第145-147页 |
| 攻读学位期间发表的学术论文目录 | 第147页 |