| 中文摘要 | 第2-3页 |
| Abstract | 第3页 |
| 中文文摘 | 第4-8页 |
| 绪论 | 第8-12页 |
| 1. 研究背景与选题意义 | 第8-9页 |
| 2. 国内外研究现状 | 第9-10页 |
| 3. 本论文主要工作 | 第10-12页 |
| 第一章 拉曼光谱技术简介 | 第12-18页 |
| 1.1 拉曼光谱的基本原理 | 第12-13页 |
| 1.2 拉曼光谱的特点 | 第13页 |
| 1.2.1 拉曼光谱的优势 | 第13页 |
| 1.2.2 拉曼光谱的不足之处 | 第13页 |
| 1.3 表面增强拉曼光谱(SERS)技术 | 第13-14页 |
| 1.4 拉曼光谱在癌症诊断中的应用 | 第14-18页 |
| 第二章 拉曼光谱数据分析算法 | 第18-24页 |
| 2.1 引言 | 第18页 |
| 2.2 拉曼光谱预处理常用算法 | 第18-20页 |
| 2.2.1 平滑(Smoothing) | 第19-20页 |
| 2.2.2 微分(Derivatives) | 第20页 |
| 2.2.3 多元散射校正(Multiplicative Scatter Correction) | 第20页 |
| 2.2.4 标准正态变换(Standard Normal Variable,SNV) | 第20页 |
| 2.2.5 背景扣除(Background correction) | 第20页 |
| 2.3 拉曼光谱特征提取算法 | 第20-21页 |
| 2.3.1 主成分分析(Principal Component Analysis,PCA) | 第21页 |
| 2.3.2 偏最小二乘(Partial Least Squares,PLS) | 第21页 |
| 2.3.3 独立成分分析(Independent Component Analysis,ICA) | 第21页 |
| 2.4 拉曼光谱分类决策算法 | 第21-24页 |
| 2.4.1 支持向量机(Support Vector Machines,SVM) | 第21-22页 |
| 2.4.2 K-近邻法(K-nearest Neighbor Method,KNN) | 第22页 |
| 2.4.3 人工神经网络(Artificial Neural Networks,ANNs) | 第22-24页 |
| 第三章 基于支持向量机算法的生物组织拉曼光谱数据分析 | 第24-32页 |
| 3.1 概述 | 第24页 |
| 3.2 支持向量机的基本原理和方法 | 第24-26页 |
| 3.2.1 线性可分最优超平面 | 第24-25页 |
| 3.2.2 非线性可分最优超平面 | 第25-26页 |
| 3.3 支持向量机核函数的选择与比较 | 第26-27页 |
| 3.3.1 常用的支持向量机核函数 | 第26-27页 |
| 3.3.2 核函数的选择 | 第27页 |
| 3.4 实验部分 | 第27-31页 |
| 3.4.1 实验仪器以及数据来源 | 第27-29页 |
| 3.4.2 实验分析 | 第29-31页 |
| 3.5 小结 | 第31-32页 |
| 第四章 基于RBF核的SVM核函数参数优化 | 第32-36页 |
| 4.1 RBF核参数对SVM分类性能的影响 | 第32-33页 |
| 4.2 RBF核函数参数的优化算法 | 第33页 |
| 4.3 实验部分 | 第33-35页 |
| 4.4 小结 | 第35-36页 |
| 第五章 总结 | 第36-38页 |
| 参考文献 | 第38-46页 |
| 攻读学位期间承担的科研任务与主要成果 | 第46-48页 |
| 致谢 | 第48-50页 |
| 个人简历 | 第50-52页 |
