基于神经网络的尿沉渣有形成分自动分类和识别研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-15页 |
| ·尿沉渣图像自动识别系统项目背景 | 第6-8页 |
| ·尿沉渣的成分 | 第6-7页 |
| ·尿沉渣图像识别系统项目流程 | 第7-8页 |
| ·尿沉渣图像识别综述 | 第8-9页 |
| ·分类方法综述 | 第9-13页 |
| ·单分类器 | 第9-12页 |
| ·多分类器融合 | 第12-13页 |
| ·本论文的主要工作 | 第13-14页 |
| ·论文结构 | 第14-15页 |
| 第二章 特征提取与特征选择 | 第15-24页 |
| ·特征提取 | 第15-18页 |
| ·形态特征 | 第15-16页 |
| ·统计特征 | 第16页 |
| ·纹理特征 | 第16-18页 |
| ·特征选择 | 第18-24页 |
| ·特征选择定义 | 第18-19页 |
| ·特征选择的处理模型 | 第19-20页 |
| ·特征选择实现 | 第20-24页 |
| 第三章 数据剪切及其十倍镜下图像识别 | 第24-34页 |
| ·问题提出 | 第24页 |
| ·BP(Back-Projection)神经网络 | 第24-26页 |
| ·数据剪切 | 第26-30页 |
| ·数据剪切介绍 | 第26页 |
| ·数据剪切(Data Pruning)的相关概念 | 第26-28页 |
| ·数据剪切中的基本问题 | 第28-30页 |
| ·数据剪切的困难 | 第30页 |
| ·数据剪切用于十倍镜图像识别 | 第30-33页 |
| ·多个分类器以及数据子集 | 第30-31页 |
| ·数据剪切用于上皮细胞识别 | 第31-33页 |
| ·结论 | 第33-34页 |
| 第四章 多分类器融合技术研究 | 第34-45页 |
| ·问题的提出 | 第34页 |
| ·多分类器融合中的相关概念 | 第34-39页 |
| ·多分类器融合问题描述 | 第34-35页 |
| ·性能分析 | 第35-37页 |
| ·多分类器系统的体系结构 | 第37-38页 |
| ·多分类器的融合层次 | 第38-39页 |
| ·常用的多分类器融合方法 | 第39-44页 |
| ·Boosting | 第39-40页 |
| ·Bagging | 第40-41页 |
| ·投票法 | 第41-42页 |
| ·基于Bayes概率理论的融合方法 | 第42-44页 |
| ·结论 | 第44-45页 |
| 第五章 基于多分器融合技术的细胞识别 | 第45-54页 |
| ·神经网络隐层个数及训练次数研究 | 第45-46页 |
| ·单分类器选择 | 第46-47页 |
| ·Bagging方法实验 | 第47-49页 |
| ·Boosting神经网络集成方法实验 | 第49-51页 |
| ·贝叶斯多分类器融合实验 | 第51-53页 |
| ·BKS方法 | 第53页 |
| ·结论 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 独创性声明 | 第59页 |
| 学位论文版权使用授权书 | 第59页 |
