| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与主要内容 | 第8-11页 |
| 1.1.1 研究背景及意义 | 第8-10页 |
| 1.1.2 研究内容 | 第10-11页 |
| 1.2 主要研究方法及技术路线 | 第11-13页 |
| 1.3 研究重点及主要创新点 | 第13-14页 |
| 第二章 相关理论及研究综述 | 第14-28页 |
| 2.1 案例的特征选择及权重计算方法 | 第14-17页 |
| 2.1.1 基于粗糙集的案例特征属性约简方法 | 第14-16页 |
| 2.1.2 案例特征权重计算方法 | 第16-17页 |
| 2.2 CBR案例检索方法 | 第17-20页 |
| 2.2.1 基于相似度的案例检索方法 | 第17-18页 |
| 2.2.2 基于K-D树的案例检索方法 | 第18-20页 |
| 2.3 RBR规则推理方法 | 第20-24页 |
| 2.3.1 基于产生式规则的推理方法 | 第21页 |
| 2.3.2 基于决策树的推理方法 | 第21-23页 |
| 2.3.3 多分类器集成的决策树优化方法 | 第23-24页 |
| 2.4 CBR与RBR融合推理模型 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 CBR-RBR融合推理的医疗诊断模型 | 第28-46页 |
| 3.1 基于案例与规则的医疗诊断过程建模 | 第28-33页 |
| 3.2 CBR-RBR融合推理医疗诊断模型的总体架构 | 第33-34页 |
| 3.3 CBR-RBR融合推理医疗诊断模型的处理流程 | 第34-45页 |
| 3.3.1 医疗病案数据预处理 | 第34-36页 |
| 3.3.2 基于粗糙集的病案特征选择 | 第36-37页 |
| 3.3.3 基于K-D树的CBR病例库检索 | 第37-44页 |
| 3.3.4 基于Bagging-C4.5的RBR决策树集成优化推理 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 CBR-RBR融合推理模型在心脏病诊断中的应用 | 第46-56页 |
| 4.1 心脏病特征及数据分析 | 第46-47页 |
| 4.2 基于CBR-RBR融合推理模型的心脏病诊断实例 | 第47-54页 |
| 4.2.1 心脏病病例数据选取 | 第47-49页 |
| 4.2.2 心脏病病例特征选择 | 第49-50页 |
| 4.2.3 心脏病病案特征权重计算 | 第50-51页 |
| 4.2.4 使用K-D树进行心脏病病案检索 | 第51-53页 |
| 4.2.5 使用Bagging-C4.5决策树集成模型进行心脏病诊断推理 | 第53-54页 |
| 4.3 结果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 模型应用结果分析 | 第56-63页 |
| 5.1 K-D树检索效率分析 | 第56-58页 |
| 5.2 CBR-RBR融合模型推理性能分析 | 第58-59页 |
| 5.3 与其他模型对比分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 发表论文和参加科研情况说明 | 第71-72页 |
| 致谢 | 第72页 |
