| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 核学习方法 | 第12-15页 |
| 1.1.1 核学习方法的研究现状 | 第12-14页 |
| 1.1.2 核算法的选择与构造 | 第14-15页 |
| 1.2 肺结节识别的意义及研究现状 | 第15-23页 |
| 1.2.1 肺结节识别意义 | 第15-17页 |
| 1.2.2 肺 CAD 概述 | 第17-20页 |
| 1.2.3 肺结节识别算法研究现状 | 第20-23页 |
| 1.3 核学习方法引入肺结节识别的必要性 | 第23页 |
| 1.4 论文研究内容 | 第23-24页 |
| 1.5 论文结构及技术路线 | 第24-26页 |
| 第2章 混合核 SVM 算法 | 第26-48页 |
| 2.1 SVM 中核函数的选择 | 第26-29页 |
| 2.1.1 SVM 方法概述 | 第26-28页 |
| 2.1.2 SVM 中核函数的选择 | 第28-29页 |
| 2.2 混合核 SVM 算法 | 第29-30页 |
| 2.3 混合核 SVM 算法用于肺结节识别 | 第30-39页 |
| 2.3.1 肺结节识别的准备工作 | 第30-37页 |
| 2.3.2 混合核 SVM 算法用于肺结节识别 | 第37-39页 |
| 2.4 实验结果及分析 | 第39-46页 |
| 2.4.1 实验数据及仿真平台 | 第39页 |
| 2.4.2 评价标准 | 第39-41页 |
| 2.4.3 实验结果及分析 | 第41-46页 |
| 2.5 本章小结 | 第46-48页 |
| 第3章 MatLSSVM 算法及肺结节识别 | 第48-60页 |
| 3.1 矩阵化最小二乘支持向量机（MatLSSVM）算法 | 第48-54页 |
| 3.1.1 最小二乘支持向量机（LSSVM）算法 | 第48-50页 |
| 3.1.2 矩阵化最小二乘支持向量机（MatLSSVM）算法 | 第50-54页 |
| 3.2 MatLSSVM 算法应用于肺结节识别 | 第54-57页 |
| 3.2.1 实验数据 | 第54页 |
| 3.2.2 实验结果及分析 | 第54-57页 |
| 3.3 本章小结 | 第57-60页 |
| 第4章 多核学习矩阵化最小二乘支持向量机算法 | 第60-72页 |
| 4.1 多核学习矩阵化最小二乘支持向量机算法 | 第60-63页 |
| 4.1.1 核函数选择 | 第60-62页 |
| 4.1.2 多核矩阵化最小二乘支持向量机 | 第62-63页 |
| 4.2 多核学习矩阵化最小二乘支持向量机算法应用于肺结节识别 | 第63-71页 |
| 4.2.1 实验数据集描述 | 第63-65页 |
| 4.2.2 MKL-MatLSSVM 参数选取及结果分析 | 第65-71页 |
| 4.3 本章小结 | 第71-72页 |
| 第5章 代价敏感型的混合核 SVM | 第72-84页 |
| 5.1 代价敏感型的混合核 SVM 算法 | 第73-74页 |
| 5.2 代价敏感型的混合核 SVM 算法应用于肺结节识别 | 第74-83页 |
| 5.2.1 实验数据集 | 第74-75页 |
| 5.2.2 实验结果及分析 | 第75-83页 |
| 5.3 本章小结 | 第83-84页 |
| 第6章 总结及展望 | 第84-88页 |
| 6.1 论文工作总结 | 第84-86页 |
| 6.2 工作展望 | 第86-88页 |
| 参考文献 | 第88-100页 |
| 作者简介及科研成果 | 第100-102页 |
| 致谢 | 第102-103页 |
