| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 前言 | 第11-18页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 CA125检测 | 第11-12页 |
| 1.2.2 超声检测 | 第12-13页 |
| 1.2.3 影像学技术 | 第13页 |
| 1.2.4 腹腔镜检测 | 第13页 |
| 1.2.5 蛋白质组学 | 第13-16页 |
| 1.3 研究内容及论文构架 | 第16-18页 |
| 1.3.1 研究内容简介 | 第16页 |
| 1.3.2 论文构架 | 第16-18页 |
| 第2章 质谱数据及预处理 | 第18-24页 |
| 2.1 实验数据 | 第18页 |
| 2.2 数据预处理 | 第18-23页 |
| 2.2.1 数据约简 | 第19-20页 |
| 2.2.2 基线校正 | 第20-21页 |
| 2.2.3 谱线平滑 | 第21-22页 |
| 2.2.4 峰值对齐 | 第22页 |
| 2.2.5 规范化 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于PPCA的质谱数据特征参数优化与提取 | 第24-32页 |
| 3.1 PCA | 第24-26页 |
| 3.2 PPCA | 第26-29页 |
| 3.3 PCA与PPCA特征提取比较 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于SVM的自动检测模型 | 第32-42页 |
| 4.1 机器学习算法 | 第33-35页 |
| 4.1.1 经验误差最小化学习算法 | 第33-34页 |
| 4.1.2 结构分险最小化学习算法 | 第34-35页 |
| 4.2 SVM | 第35-41页 |
| 4.2.1 样本线性可分 | 第36-38页 |
| 4.2.2 样本线性不可分 | 第38-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 PPCA-SVM卵巢癌早期检测模型的建立与验证 | 第42-52页 |
| 5.1 模型具体实现过程 | 第43-46页 |
| 5.2 模型性能评价指标 | 第46-47页 |
| 5.3 实验结果对比分析 | 第47-50页 |
| 5.3.1 收敛速度测试结果及分析 | 第47页 |
| 5.3.2 预测实验结果及分析 | 第47-50页 |
| 5.4 PPCA-SVM模型的推广实验 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 主要工作内容 | 第52-53页 |
| 6.2 存在的不足及改进 | 第53页 |
| 6.3 展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 作者简介及科研成果 | 第60-61页 |
| 致谢 | 第61页 |