| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 预测模型建立的必要性 | 第12页 |
| 1.4 特征选择 | 第12页 |
| 1.5 模式识别 | 第12-13页 |
| 1.6 本文的主要工作及创新点 | 第13-16页 |
| 第二章 基于Logistic回归分析的特征选择 | 第16-22页 |
| 2.1 Logistic回归分析 | 第16-18页 |
| 2.1.1 Logistic回归分析的发展趋势 | 第16页 |
| 2.1.2 Logistic回归分析的应用 | 第16-17页 |
| 2.1.3 Logistic回归分析的原理 | 第17-18页 |
| 2.2 本文提出的基于Logistic回归分析的特征提取 | 第18-22页 |
| 2.2.1 独立样本T检验 | 第18页 |
| 2.2.2 卡方分析 | 第18-19页 |
| 2.2.3 秩和检验 | 第19-20页 |
| 2.2.4 多因素分析 | 第20-22页 |
| 第三章 基于遗传算法的特征选择 | 第22-30页 |
| 3.1 遗传算法的基本思想 | 第22页 |
| 3.2 遗传算法的基本原理 | 第22-25页 |
| 3.3 遗传算法的特点及应用 | 第25页 |
| 3.4 本文提出的基于遗传算法的特征提取 | 第25-30页 |
| 3.4.1 编码与解码 | 第26页 |
| 3.4.2 适应度函数的设计 | 第26-27页 |
| 3.4.3 选择策略 | 第27页 |
| 3.4.4 交叉策略 | 第27页 |
| 3.4.5 变异策略 | 第27-28页 |
| 3.4.6 群体规模 | 第28页 |
| 3.4.7 终止条件 | 第28-30页 |
| 第四章 模式分类 | 第30-40页 |
| 4.1 支持向量机 | 第30-34页 |
| 4.1.1 支持向量机的起源与发展 | 第30页 |
| 4.1.2 支持向量机的应用 | 第30-31页 |
| 4.1.3 支持向量机的原理 | 第31-33页 |
| 4.1.4 支持向量机的核函数 | 第33-34页 |
| 4.1.5 基于支持向量机的模型设计 | 第34页 |
| 4.2 贝叶斯分类器 | 第34-38页 |
| 4.2.1 贝叶斯理论的起源与发展 | 第34-35页 |
| 4.2.2 贝叶斯分类器的应用 | 第35页 |
| 4.2.3 贝叶斯定理 | 第35-37页 |
| 4.2.4 贝叶斯分类器的原理 | 第37页 |
| 4.2.5 本文贝叶斯分类器模块的设计 | 第37-38页 |
| 4.3 k折交叉验证（k-fold cross-validation） | 第38-39页 |
| 4.4 分类器性能度量 | 第39-40页 |
| 第五章 实验结果与分析 | 第40-58页 |
| 5.1 原发性肝癌数据集 | 第40页 |
| 5.2 原发性肝癌初始数据集分类结果 | 第40-42页 |
| 5.2.1 原发性肝癌数据集采用支持向量机的分类结果 | 第41页 |
| 5.2.2 原发性肝癌数据集采用贝叶斯分类器的分类结果 | 第41-42页 |
| 5.3 基于Logistic回归分析特征提取SVM分类器模型 | 第42-46页 |
| 5.3.1 Logistic回归分析的特征提取 | 第42-45页 |
| 5.3.2 基于Logistic回归分析特征提取SVM分类结果 | 第45-46页 |
| 5.4 基于遗传算法特征提取的分类器模型 | 第46-53页 |
| 5.4.1 遗传算法提取的最优特征子集 | 第46-47页 |
| 5.4.2 基于遗传算法特征提取SVM模型的分类结果 | 第47-50页 |
| 5.4.3 基于遗传算法特征提取贝叶斯分类器模型的分类结果 | 第50-53页 |
| 5.5 分类结果比较 | 第53-56页 |
| 5.6 讨论 | 第56-58页 |
| 第六章 结论 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 在学期间主要科研成果 | 第66页 |
| 一、发表学术论文 | 第66页 |
| 二、参与科研项目 | 第66页 |
