基于机器学习的模式识别技术及其医学应用探索
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 人工智能的发展及其应用 | 第11-13页 |
| 1.2 软件/硬件交互实现人工智能 | 第13-16页 |
| 1.2.1 GPGPU | 第15页 |
| 1.2.2 Google TPU | 第15页 |
| 1.2.3 华为Kirin 970 | 第15页 |
| 1.2.4 IBM TrueNorth | 第15-16页 |
| 1.2.5 本文采用的专用机器学习加速平台 | 第16页 |
| 1.3 基于机器学习的模式识别 | 第16-19页 |
| 1.4 模式识别技术对于医学研究的意义 | 第19-20页 |
| 1.5 本研究的主要贡献 | 第20-21页 |
| 1.6 本文组织结构 | 第21-23页 |
| 第二章 支持向量机的软件/硬件交互实现 | 第23-37页 |
| 2.1 支持向量机的基本原理 | 第24-27页 |
| 2.2 针对专用硬件的高效率训练机制 | 第27-30页 |
| 2.3 超并行硬件加速芯片 | 第30-31页 |
| 2.4 案例演示 | 第31-36页 |
| 2.5 总结 | 第36-37页 |
| 第三章 一种单类支持向量机 | 第37-47页 |
| 3.1 单类支持向量机原理及其实现 | 第38-40页 |
| 3.2 案例演示 | 第40-47页 |
| 第四章 恒定规模的在线学习 | 第47-53页 |
| 第五章 在线学习型支持向量机在临床诊断中的应用 | 第53-65页 |
| 5.1 案例1: 乳腺癌早期诊断 | 第55-61页 |
| 5.1.1 原始支持向量机实现 | 第56-58页 |
| 5.1.2 在线学习支持向量机实现 | 第58-61页 |
| 5.2 案例2: 心脏病诊断 | 第61-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 学位论文评阅及答辩情况表 | 第72页 |
