| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究的主要内容 | 第11-12页 |
| 1.3.1 基于核方法的特征提取算法的优化 | 第12页 |
| 1.3.2 核函数及其参数的选择、优化问题 | 第12页 |
| 1.4 本文结构安排 | 第12-14页 |
| 2 医疗数据挖掘及核方法理论概述 | 第14-24页 |
| 2.1 医疗数据概述 | 第14-16页 |
| 2.1.1 医疗数据基本概念 | 第14页 |
| 2.1.2 医疗数据主要特征 | 第14-15页 |
| 2.1.3 医疗数据挖掘 | 第15-16页 |
| 2.2 核方法原理及性质 | 第16-23页 |
| 2.2.1 核方法 | 第16-17页 |
| 2.2.2 核函数 | 第17-18页 |
| 2.2.3 正定核函数理论 | 第18-19页 |
| 2.2.4 核函数的构造 | 第19-21页 |
| 2.2.5 核函数的选择 | 第21页 |
| 2.2.6 核映射与特征空间 | 第21页 |
| 2.2.7 再生核Hibert空间 | 第21-23页 |
| 2.2.8 核函数的性质 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 核特征降维算法及其优化 | 第24-41页 |
| 3.1 核主成分分析算法 | 第24-30页 |
| 3.1.1 主成分分析算法 | 第24-26页 |
| 3.1.2 核主成分分析算法 | 第26-30页 |
| 3.2 核主成分分析算法的改进 | 第30-35页 |
| 3.2.1 重构误差的优化 | 第30-31页 |
| 3.2.2 重构误差的推导 | 第31-35页 |
| 3.3 KEPCA算法的有效性验证 | 第35-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 特征加权的SVM分类方法(EWSVM) | 第41-53页 |
| 4.1 支持向量机 | 第41-44页 |
| 4.2 信息熵 | 第44页 |
| 4.3 特征信息熵的提取 | 第44-46页 |
| 4.4 基于信息熵特征加权RBF核函数构造的多核SVM分类方法(EWSVM) | 第46-48页 |
| 4.5 特征加权支持向量机(EWSVM)算法的性能测试 | 第48-52页 |
| 4.5.1 加权核函数对SVM分类模型性能的影响 | 第48-49页 |
| 4.5.2 特征加权支持向量机(EWSVM)的准确性和稳定性测试 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 综合算法在医疗数据分类中的测试及结果分析 | 第53-61页 |
| 5.0 实验工具与平台 | 第53页 |
| 5.1 模型评价指标 | 第53-54页 |
| 5.2 实验数据 | 第54-55页 |
| 5.2.1 数据信息 | 第54-55页 |
| 5.2.2 数据处理 | 第55页 |
| 5.3 实验结果及分析 | 第55-60页 |
| 5.3.1 数据分类策略 | 第55-56页 |
| 5.3.2 实验结果及分析 | 第56-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 全文总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间的研究成果 | 第68页 |
