| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 关联规则挖掘算法研究现状 | 第12-13页 |
| 1.2.2 贝叶斯分类方法研究现状 | 第13-14页 |
| 1.2.3 朴素贝叶斯与其他算法结合的研究现状 | 第14页 |
| 1.3 本文研究内容及论文结构 | 第14-17页 |
| 第2章 相关背景知识 | 第17-26页 |
| 2.1 数据挖掘理论概述 | 第17页 |
| 2.2 关联规则理论 | 第17-21页 |
| 2.3 贝叶斯分类方法 | 第21-23页 |
| 2.4 数据的连续属性与离散属性 | 第23-24页 |
| 2.5 连续属性的离散化 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于低频离散化的加权多最小支持度关联规则挖掘算法 | 第26-43页 |
| 3.1 基于低频离散化的加权多最小支持度关联规则挖掘算法 | 第26-39页 |
| 3.1.1 低频离散化 | 第26-32页 |
| 3.1.2 全置信度 | 第32-34页 |
| 3.1.3 加权多最小支持度算法 | 第34-35页 |
| 3.1.4 算法描述 | 第35-39页 |
| 3.2 实验与分析 | 第39-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 基于频繁项集的隐藏朴素贝叶斯分类算法 | 第43-57页 |
| 4.1 拉普拉斯估计 | 第44页 |
| 4.2 Kullback-Leibler距离 | 第44-45页 |
| 4.3 隐藏朴素贝叶斯 | 第45-46页 |
| 4.4 基于频繁项集的隐藏朴素贝叶斯分类算法 | 第46-51页 |
| 4.4.1 拉普拉斯估计改进 | 第47-48页 |
| 4.4.2 KL距离的改进 | 第48页 |
| 4.4.3 算法的主要步骤 | 第48-50页 |
| 4.4.4 算法描述 | 第50-51页 |
| 4.5 实验与分析 | 第51-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 冠心病中医诊疗辅助系统中的实际应用 | 第57-69页 |
| 5.1 相关介绍 | 第57-58页 |
| 5.1.1 冠心病对人类的危害 | 第57页 |
| 5.1.2 冠心病预防和诊治中的智能技术 | 第57-58页 |
| 5.2 中医诊疗辅助系统的设计与实现 | 第58-60页 |
| 5.2.1 系统整体框架 | 第58-59页 |
| 5.2.2 系统的开发工具和平台 | 第59页 |
| 5.2.3 各个功能模块的设计与实现 | 第59-60页 |
| 5.3 改进算法在中医诊疗辅助系统中的应用 | 第60-67页 |
| 5.3.1 冠心病数据 | 第61-64页 |
| 5.3.2 基于低频离散化的加权多最小支持度关联规则挖掘算法的应用 | 第64-65页 |
| 5.3.3 基于频繁项集的隐藏朴素贝叶斯分类算法的应用 | 第65-67页 |
| 5.4 实验与分析 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-70页 |
| 6.1 总结 | 第69页 |
| 6.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
