| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 重症监测相关背景介绍 | 第12-16页 |
| 1.1.1 重症监测介绍 | 第12-13页 |
| 1.1.2 重症监测过程 | 第13-15页 |
| 1.1.3 重症监测研究及难点 | 第15-16页 |
| 1.2 死亡率预测 | 第16-17页 |
| 1.2.1 传统预测方法 | 第16页 |
| 1.2.2 死亡率预测研究现状 | 第16-17页 |
| 1.3 健康状态监测研究现状 | 第17-19页 |
| 1.4 主要研究内容与结构安排 | 第19-22页 |
| 第二章 自适应状态监测及预备知识 | 第22-30页 |
| 2.1 自适应状态监测 | 第22-23页 |
| 2.1.1 自适应状态监测框架 | 第22-23页 |
| 2.1.2 自适应状态监测的关键问题 | 第23页 |
| 2.2 常见机器学习方法 | 第23-29页 |
| 2.2.1 机器学习要素 | 第24页 |
| 2.2.2 多元线性回归 | 第24-25页 |
| 2.2.3 逻辑回归模型 | 第25-26页 |
| 2.2.4 人工神经网络 | 第26-27页 |
| 2.2.5 支持向量机 | 第27-28页 |
| 2.2.6 贝叶斯分类 | 第28页 |
| 2.2.7 主元分析 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于JITL与ELM的死亡率预测 | 第30-46页 |
| 3.1 即时学习 | 第30-34页 |
| 3.1.1 即时学习基本原理 | 第30-31页 |
| 3.1.2 即时学习步骤与关键问题 | 第31-34页 |
| 3.2 极限学习机 | 第34-36页 |
| 3.3 JITL-ELM死亡率预测方法 | 第36-37页 |
| 3.4 实验及结果 | 第37-43页 |
| 3.4.1 数据说明 | 第37-39页 |
| 3.4.2 数据预处理 | 第39页 |
| 3.4.3 数据特征提取 | 第39-40页 |
| 3.4.4 实验效果评价指标 | 第40-41页 |
| 3.4.5 实验设计与结果 | 第41-43页 |
| 3.5 本章小结 | 第43-46页 |
| 第四章 基于JITL与PCA的重症病人的自适应监测 | 第46-68页 |
| 4.1 主元分析 | 第46-50页 |
| 4.1.1 基本原理 | 第46-47页 |
| 4.1.2 监测指标 | 第47-49页 |
| 4.1.3 PCA监测流程 | 第49-50页 |
| 4.2 自适应PCA | 第50-51页 |
| 4.3 JITL-PCA自适应监测 | 第51-55页 |
| 4.3.1 JITL-PCA监测方法 | 第51-52页 |
| 4.3.2 JITL-PCA监测流程 | 第52-54页 |
| 4.3.3 计算量问题的解决方法 | 第54-55页 |
| 4.4 实验及结果 | 第55-66页 |
| 4.4.1 数据说明 | 第55-56页 |
| 4.4.2 实验设计与结果 | 第56-65页 |
| 4.4.3 实验讨论 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 结论与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 研究成果及已发表的学术论文 | 第76-78页 |
| 作者及导师简介 | 第78-80页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第80-81页 |