基于SVM的31P磁共振波谱肝癌诊断
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第10-14页 |
| ·核磁共振波谱技术 | 第10-11页 |
| ·~(31)P 磁共振波谱技术的研究现状和特点 | 第11-12页 |
| ·本文研究内容 | 第12-14页 |
| 第2章 本文提出的基于遗传算法的分类器模型 | 第14-18页 |
| ·本文实验工作 | 第14-15页 |
| ·本文提出的GA-SVM 模型 | 第15-18页 |
| 第3章 遗传算法 | 第18-29页 |
| ·特征选择 | 第18-22页 |
| ·特征选择原理 | 第18-19页 |
| ·特征选择的搜索策略和方法 | 第19-20页 |
| ·基于T-test 检验进行特征提取 | 第20-21页 |
| ·基于遗传算法特征选择的特点 | 第21-22页 |
| ·遗传算法 | 第22-26页 |
| ·遗传算法的原理和特点 | 第22页 |
| ·遗传算法的应用和研究现状 | 第22-24页 |
| ·遗传算法进行特征选择的主要技术 | 第24-25页 |
| ·遗传算子的设计 | 第25-26页 |
| ·本文基于GA 特征选择模块的具体设计 | 第26-29页 |
| ·编码和解码 | 第27页 |
| ·相关参数设定 | 第27-29页 |
| 第4章 支持向量机算法 | 第29-45页 |
| ·机器学习 | 第29-31页 |
| ·机器学习问题的描述 | 第29-30页 |
| ·经验风险最小化 | 第30-31页 |
| ·机器学习的分类 | 第31页 |
| ·统计学习理论 | 第31-33页 |
| ·VC 维和推广的误差边界 | 第31-32页 |
| ·结构风险最小化 | 第32-33页 |
| ·支持向量机概述和研究现状 | 第33-35页 |
| ·支持向量机的原理和研究现状 | 第33-34页 |
| ·支持向量机的特点 | 第34-35页 |
| ·支持向量机分类 | 第35-40页 |
| ·线性可分情况下的支持向量机 | 第35-37页 |
| ·线性不可分情况下的支持向量机 | 第37-38页 |
| ·非线性支持向量机 | 第38-40页 |
| ·多类情况下的SVM 分类器模型 | 第40-41页 |
| ·Kernel 核函数及核参数选择 | 第41-43页 |
| ·核函数模型 | 第41-42页 |
| ·核函数的选择问题 | 第42-43页 |
| ·SVM 的训练算法 | 第43页 |
| ·本文SVM 分类器模块的具体设计 | 第43-45页 |
| ·基于多类的分类器模型设计 | 第44页 |
| ·模型中支持向量机分类器的相关设计 | 第44-45页 |
| 第5章 实验及结果分析 | 第45-69页 |
| ·数据标准化和结果评价方法 | 第45-47页 |
| ·数据标准化 | 第45页 |
| ·模型评价方法 | 第45-46页 |
| ·实验结果评价标准 | 第46-47页 |
| ·数据集 | 第47-49页 |
| ·实验数据获取 | 第47页 |
| ·数据预处理和标准化 | 第47-48页 |
| ·实验目的 | 第48-49页 |
| ·分类器设计及实验结果分析 | 第49-64页 |
| ·基于20 个医学特征的实验及结果分析 | 第50-52页 |
| ·基于全部波谱的实验及结果分析 | 第52-55页 |
| ·基于T-test 特征选择的分类实验及结果分析 | 第55-57页 |
| ·基于GA-SVM 的实验及结果分析 | 第57-64页 |
| ·基于GA-SVM 的诊断系统 | 第64-67页 |
| ·本章讨论 | 第67-69页 |
| 第6章 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 在学期间主要科研成果 | 第77页 |
| 发表学术论文 | 第77页 |
