融合知识的GMM-SAFNN模型及其在疾病诊断中的应用
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景与研究意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 问题的提出与拟解决的科学问题 | 第9-12页 |
| 1.2.1 问题的提出 | 第9-11页 |
| 1.2.2 拟解决的科学问题 | 第11-12页 |
| 1.3 本文研究内容 | 第12-15页 |
| 1.3.1 技术路线 | 第12-13页 |
| 1.3.2 论文组织结构 | 第13-15页 |
| 2 相关理论研究 | 第15-28页 |
| 2.1 人工神经网络方法研究现状 | 第15-17页 |
| 2.1.1 人工神经网络方法 | 第15页 |
| 2.1.2 径向基神经网络方法 | 第15-17页 |
| 2.2 模糊神经网络方法 | 第17-21页 |
| 2.2.1 模糊神经网络相关研究 | 第17-18页 |
| 2.2.2 模糊神经网络模型结构 | 第18-20页 |
| 2.2.3 模糊系统的可解释性 | 第20-21页 |
| 2.3 神经网络模型训练算法 | 第21-23页 |
| 2.3.1 反向传播算法 | 第21-22页 |
| 2.3.2 粒子群算法 | 第22-23页 |
| 2.4 模型知识元理论 | 第23-25页 |
| 2.4.1 知识元理论 | 第23-24页 |
| 2.4.2 知识元模型 | 第24-25页 |
| 2.5 前列腺癌初步诊断问题 | 第25-27页 |
| 2.5.1 前列腺癌初步诊断相关研究 | 第25-26页 |
| 2.5.2 前列腺癌初步诊断知识元 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 GMM-模糊神经网络模型 | 第28-32页 |
| 3.1 高斯混合模型 | 第28-30页 |
| 3.1.1 高斯混合模型预测过程 | 第28-29页 |
| 3.1.2 高斯混合模型的训练 | 第29-30页 |
| 3.2 GMM-模糊神经网络模型训练过程 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 结构自适应模糊神经网络 | 第32-40页 |
| 4.1 相似隶属度函数合并方法 | 第32-33页 |
| 4.2 相似隶属度函数的选择方法 | 第33-35页 |
| 4.3 基于PSO算法的模型训练 | 第35-37页 |
| 4.4 GMM-结构自适应模糊神经网络总体流程 | 第37-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 GMM-SAFNN在前列腺癌诊断上的应用 | 第40-54页 |
| 5.1 样本与特征的选择 | 第40-41页 |
| 5.2 模型评价准则 | 第41-42页 |
| 5.3 参数设置 | 第42-44页 |
| 5.4 实验结果分析 | 第44-51页 |
| 5.4.1 模型训练过程误差分析 | 第44-45页 |
| 5.4.2 模型诊断准确性分析 | 第45-46页 |
| 5.4.3 模型可解释性分析 | 第46-49页 |
| 5.4.4 模糊规则提取与诊断过程 | 第49-51页 |
| 5.5 诊断过程的知识化表示 | 第51-52页 |
| 5.6 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-63页 |
