| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 肝癌诊断的研究现状 | 第10-12页 |
| 1.2.2 利用SVM诊断癌症的研究现状 | 第12页 |
| 1.2.3 利用SVM诊断HCC的研究现状 | 第12-13页 |
| 1.3 本文的主要研究工作 | 第13-14页 |
| 1.4 本文的基本结构 | 第14-15页 |
| 2 肝癌诊断的指标分析及数据预处理 | 第15-27页 |
| 2.1 数据来源和数据的前期准备 | 第15-16页 |
| 2.1.1 数据源 | 第15页 |
| 2.1.2 数据的前期准备 | 第15-16页 |
| 2.2 填充缺失值 | 第16-19页 |
| 2.2.1 数据的缺失模式 | 第17-18页 |
| 2.2.2 MCMC方法 | 第18-19页 |
| 2.3 数据预处理 | 第19-26页 |
| 2.3.1 Apriori关联算法 | 第19-22页 |
| 2.3.2 特征选择 | 第22-24页 |
| 2.3.3 主成分分析(PCA) | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 建立基于SVM的肝癌早期诊断的分类器 | 第27-45页 |
| 3.1 支持向量机简介 | 第27-29页 |
| 3.1.1 VC维 | 第27-28页 |
| 3.1.2 结构风险最小化 | 第28-29页 |
| 3.2 支持向量机算法原理 | 第29-38页 |
| 3.2.1 线性支持向量机 | 第30-35页 |
| 3.2.2 非线性支持向量机 | 第35-37页 |
| 3.2.3 支持向量机的特征 | 第37-38页 |
| 3.3 开发工具简介 | 第38页 |
| 3.4 建立SVM分类器模型 | 第38-42页 |
| 3.4.1 核函数选择 | 第38-39页 |
| 3.4.2 分类器参数选择 | 第39-42页 |
| 3.5 仿真结果 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 自适应变异粒子群优化算法的参数寻优提高分类器性能 | 第45-55页 |
| 4.1 问题的提出 | 第45页 |
| 4.2 基本粒子群优化算法 | 第45-46页 |
| 4.2.1 粒子群优化算法简介 | 第45-46页 |
| 4.2.2 粒子群优化算法实现过程 | 第46页 |
| 4.3 自适应变异粒子群优化算法(APSO) | 第46-49页 |
| 4.4 粒子群算法参数寻优matlab实现 | 第49-51页 |
| 4.4.1 基本的粒子群优化算法参数寻优 | 第49-50页 |
| 4.4.2 自适应变异的粒子群优化算法参数寻优 | 第50-51页 |
| 4.5 仿真结果 | 第51-54页 |
| 4.5.1 基本的粒子群优化算法仿真结果 | 第51-52页 |
| 4.5.2 自适应变异的粒子群优化算法仿真结果 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |