| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 医疗大数据的特性 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 研究内容 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 第二章 支持向量机算法 | 第15-27页 |
| 2.1 统计学习理论 | 第15-19页 |
| 2.1.1 学习问题的模型 | 第15-16页 |
| 2.1.2 最小化风险数学模型 | 第16-17页 |
| 2.1.3 经验风险最小化原则 | 第17页 |
| 2.1.4 VC维(Vapnik-Chervonenkis Dimension) | 第17页 |
| 2.1.5 推广性的界 | 第17-18页 |
| 2.1.6 结构风险最小化原则 | 第18-19页 |
| 2.2 支持向量机算法 | 第19-24页 |
| 2.2.1 线性支持向量机 | 第19-21页 |
| 2.2.2 非线性支持向量机 | 第21-22页 |
| 2.2.3 支持向量机算法研究现状 | 第22-24页 |
| 2.3 增量学习常用分类模型概述 | 第24-26页 |
| 2.3.1 分类模型 | 第24页 |
| 2.3.2 神经网络方法 | 第24-25页 |
| 2.3.3 贝叶斯方法 | 第25页 |
| 2.3.4 决策树方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于支持向量机的增量学习算法 | 第27-36页 |
| 3.1 模糊C-均值聚类算法(FCM) | 第27-31页 |
| 3.1.1 数据集的C划分 | 第28页 |
| 3.1.2 硬C-均值聚类算法 | 第28-29页 |
| 3.1.3 模糊C-均值聚类算法 | 第29-30页 |
| 3.1.4 历史样本筛选 | 第30-31页 |
| 3.2 广义KKT条件 | 第31-34页 |
| 3.2.1 支持向量 | 第31-32页 |
| 3.2.2 KKT条件 | 第32-33页 |
| 3.2.3 广义KKT条件 | 第33-34页 |
| 3.3 结合FCM与广义KKT条件的增量学习算法 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 实验设计与结果分析 | 第36-43页 |
| 4.1 实验设计 | 第36-37页 |
| 4.1.1 环境配置 | 第36页 |
| 4.1.2 数据库的选择 | 第36页 |
| 4.1.3 对比算法选择 | 第36-37页 |
| 4.2 结果分析 | 第37-42页 |
| 4.2.1 基于Letter数据库的测试分析 | 第37-39页 |
| 4.2.2 基于Magic数据库的测试分析 | 第39-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 基于FK-SVM的IAPS系统设计与实现 | 第43-54页 |
| 5.1 需求分析 | 第43-44页 |
| 5.1.1 功能性需求 | 第43-44页 |
| 5.1.2 非功能性需求 | 第44页 |
| 5.2 系统功能设计 | 第44-48页 |
| 5.2.1 注册登录功能模块 | 第45-46页 |
| 5.2.2 报告分析模块 | 第46-47页 |
| 5.2.3 自我检测模块 | 第47-48页 |
| 5.2.4 放松解压模块 | 第48页 |
| 5.3 数据库设计 | 第48-51页 |
| 5.4 系统实现 | 第51-53页 |
| 5.4.1 开发环境 | 第51页 |
| 5.4.2 数据来源 | 第51页 |
| 5.4.3 系统UI设计与实现 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结和展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间取得的研究成果 | 第60页 |