| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 心脏病发病风险研究现状 | 第12-13页 |
| 1.2.2 深度学习研究现状 | 第13-17页 |
| 1.2.3 递归神经网络/LSTM研究现状 | 第17-19页 |
| 1.3 本文研究的主要内容 | 第19-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 2 相关技术研究 | 第21-38页 |
| 2.1 感知器 | 第21-25页 |
| 2.1.1 感知器概述 | 第21-22页 |
| 2.1.2 感知器工作原理 | 第22-25页 |
| 2.2 BP神经网络 | 第25-29页 |
| 2.2.1 BP神经网络概述 | 第25-27页 |
| 2.2.2 BP神经网络工作原理 | 第27-29页 |
| 2.3 受限波尔兹曼机 | 第29-37页 |
| 2.3.1 受限波尔兹曼机概述 | 第29-31页 |
| 2.3.2 受限波尔兹曼机工作原理 | 第31-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 长时递归深度信念网络 | 第38-49页 |
| 3.1 基于LDBN的心脏病发病风险预测模型的构建 | 第38-40页 |
| 3.2 数据归一化算法 | 第40-41页 |
| 3.3 长短时记忆网络 | 第41-44页 |
| 3.3.1 长短时记忆网络概述 | 第41-42页 |
| 3.3.2 长短时记忆网络工作原理 | 第42-44页 |
| 3.4 相似度计算方法 | 第44-45页 |
| 3.5 深度信念网络 | 第45-47页 |
| 3.5.1 深度信念网络概述 | 第45-46页 |
| 3.5.2 深度信念网络工作原理 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 4 心脏病发病风险实验及分析 | 第49-59页 |
| 4.1 实验数据集 | 第49-51页 |
| 4.2 实验结果与分析 | 第51-58页 |
| 4.2.1 扩充数据集 | 第51-55页 |
| 4.2.2 心脏病发病风险预测 | 第55-58页 |
| 4.3 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 论文工作总结 | 第59页 |
| 5.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 实践经历与科研成果 | 第66页 |
| 实践经历 | 第66页 |
| 科研成果 | 第66页 |
| 个人简历 | 第66页 |