| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题的来源、目的和意义 | 第8页 |
| ·压缩感知及神经网络在肿瘤细胞图像识别的国内外研究现状 | 第8-12页 |
| ·压缩感知理论的国内外研究现状 | 第8-9页 |
| ·神经网络理论的国内外研究现状 | 第9-10页 |
| ·压缩感知和神经网络在图像识别方面的国内外研究现状 | 第10-11页 |
| ·压缩感知和神经网络在肿瘤细胞图像识别方面的国内外研究现状 | 第11-12页 |
| ·论文内容和结构 | 第12-14页 |
| ·论文主要内容 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第二章 基础理论 | 第14-27页 |
| ·引言 | 第14页 |
| ·肿瘤细胞图像及其特点 | 第14-16页 |
| ·人工神经网络 | 第16-20页 |
| ·人工神经网络的模型 | 第16-18页 |
| ·人工神经网络的学习 | 第18页 |
| ·几种典型的神经网络简介 | 第18-20页 |
| ·压缩感知理论提出 | 第20-24页 |
| ·传统信号采样过程 | 第20-21页 |
| ·压缩信号采样过程 | 第21-22页 |
| ·压缩感知数学模型 | 第22-24页 |
| ·压缩感知基本框架 | 第24-27页 |
| ·信号的稀疏性 | 第24-25页 |
| ·观测矩阵的设计 | 第25页 |
| ·信号稀疏重构 | 第25-27页 |
| 第三章 基于压缩感知的肿瘤细胞图像特征提取 | 第27-41页 |
| ·引言 | 第27页 |
| ·双向 2DPCA 算法 | 第27-29页 |
| ·2DPCA 算法 | 第27-28页 |
| ·双向 2DPCA 方法 | 第28-29页 |
| ·图像稀疏表示 | 第29-30页 |
| ·自适应测量矩阵的构造 | 第30-32页 |
| ·高斯随机矩阵 | 第30-31页 |
| ·自适应观测矩阵的学习 | 第31-32页 |
| ·基于压缩感知的肿瘤细胞特征提取算法设计 | 第32-34页 |
| ·肿瘤细胞图像特征提取实验及其结果分析 | 第34-41页 |
| ·降维过程 | 第34-35页 |
| ·CS 参数选择 | 第35-39页 |
| ·重构图像 | 第39-40页 |
| ·不同方法比较 | 第40-41页 |
| 第四章 基于压缩感知和 SOFM 网络的肿瘤细胞图像分类器设计 | 第41-52页 |
| ·引言 | 第41页 |
| ·自组织特征映射神经网络 | 第41-43页 |
| ·SOFM 网络生物学基础 | 第41页 |
| ·SOFM 网络模型 | 第41-42页 |
| ·SOFM 学习算法 | 第42-43页 |
| ·基于压缩感知和 SOFM 网络的细胞图像分类器的设计 | 第43-46页 |
| ·分类器模型设计 | 第43-44页 |
| ·SOFM 网络设计 | 第44-45页 |
| ·工作算法 | 第45-46页 |
| ·实验仿真结果与分析 | 第46-52页 |
| ·实验过程 | 第46-50页 |
| ·不同分类方法比较 | 第50-52页 |
| 第五章 肿瘤细胞图像分类系统 | 第52-58页 |
| ·肿瘤细胞图像分类器的设计 | 第52-53页 |
| ·肿瘤细胞图像分类器实现 | 第53-58页 |
| ·肿瘤细胞图像系统界面 | 第53页 |
| ·系统功能说明 | 第53-56页 |
| ·肿瘤细胞图像识别功能 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 个人简历 在读期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
