数据挖掘技术在冠心病早期预警系统中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 目前存在的问题和发展趋势 | 第12页 |
| 1.4 论文主要研究内容和本文结构 | 第12-14页 |
| 第2章 基于神经网络的冠心病判别算法 | 第14-26页 |
| 2.1 数据挖掘概述 | 第14-18页 |
| 2.1.1 数据挖掘的定义 | 第14页 |
| 2.1.2 数据挖掘的数据对象 | 第14-15页 |
| 2.1.3 数据挖掘的功能 | 第15-16页 |
| 2.1.4 数据挖掘的一般步骤 | 第16-18页 |
| 2.2 神经网络技术 | 第18-21页 |
| 2.2.1 神经网络概述 | 第18页 |
| 2.2.2 反向传播神经网络 | 第18-19页 |
| 2.2.3 人工神经网络的基本数学模型 | 第19-20页 |
| 2.2.4 神经网络训练 | 第20-21页 |
| 2.3 冠心病判别算法 | 第21-25页 |
| 2.3.1 神经网络模型设计 | 第22-24页 |
| 2.3.2 判别算法设计 | 第24-25页 |
| 2.4 小结 | 第25-26页 |
| 第3章 基于贝叶斯分析的预警算法 | 第26-33页 |
| 3.1 概率论基础 | 第26-27页 |
| 3.1.1 条件概率和乘法定理 | 第26页 |
| 3.1.2 全概率公式和贝叶斯公式 | 第26-27页 |
| 3.1.3 极大后验假设与极大似然假设 | 第27页 |
| 3.1.4 事件的独立性 | 第27页 |
| 3.2 朴素贝叶斯分类技术 | 第27-29页 |
| 3.2.1 朴素贝叶斯分类模型 | 第27-28页 |
| 3.2.2 朴素贝叶斯分类器的学习和分类 | 第28-29页 |
| 3.3 基于朴素贝叶斯的预警算法 | 第29-31页 |
| 3.3.1 问题分析 | 第29-30页 |
| 3.3.2 预警算法设计 | 第30-31页 |
| 3.4 小结 | 第31-33页 |
| 第4章 冠心病早期预警系统设计与实现 | 第33-49页 |
| 4.1 预警系统的需求分析 | 第33-34页 |
| 4.1.1 功能性需求 | 第33页 |
| 4.1.2 非功能性需求 | 第33-34页 |
| 4.1.3 可行性分析 | 第34页 |
| 4.2 预警系统设计 | 第34-35页 |
| 4.3 系统工作流程 | 第35-36页 |
| 4.4 实验数据 | 第36-43页 |
| 4.5 神经网络算法实验 | 第43-44页 |
| 4.6 贝叶斯算法实验 | 第44-47页 |
| 4.7 软件系统测试 | 第47-48页 |
| 4.8 小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-50页 |
| 5.1 全文总结 | 第49页 |
| 5.2 工作展望 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 致谢 | 第52页 |
