| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-16页 |
| ·乳腺癌辅助检测的研究现状与意义 | 第7-10页 |
| ·统计模式识别与集成学习算法 | 第10-13页 |
| ·本文的主要研究内容 | 第13-14页 |
| ·论文的研究成果与章节安排 | 第14-16页 |
| 第二章 集成算法 | 第16-26页 |
| ·简介 | 第16-19页 |
| ·投票集成 | 第19-20页 |
| ·基于训练样本随机化的集成方法 | 第20-23页 |
| ·Bagging算法 | 第20-22页 |
| ·Boosting算法 | 第22-23页 |
| ·小结 | 第23-26页 |
| 第三章 基于EM算法的朴素贝叶斯分类器 | 第26-35页 |
| ·基本EM算法 | 第26-28页 |
| ·基于EM算法的混合分布的概率密度函数参数估计 | 第28-31页 |
| ·EM-Bayes分类器 | 第31-33页 |
| ·朴素贝叶斯分类器 | 第31-33页 |
| ·基于EM参数估计的贝叶斯分类器 | 第33页 |
| ·小结 | 第33-35页 |
| 第四章 特征降维及特征子集选择算法 | 第35-45页 |
| ·特征选择 | 第35-39页 |
| ·Filter方法 | 第36-37页 |
| ·Wrapper方法 | 第37-39页 |
| ·随机特征子集选择集成算法 | 第39-40页 |
| ·随机采样 | 第40-41页 |
| ·Random Sampling方法 | 第40-41页 |
| ·Stratified Random Sampling方法 | 第41页 |
| ·特征提取 | 第41-43页 |
| ·PCA | 第42-43页 |
| ·ICA | 第43页 |
| ·小结 | 第43-45页 |
| 第五章 基于动态特征子集选择和EM-Bayesian的集成算法应用于乳腺癌辅助检测的研究 | 第45-53页 |
| ·算法原理 | 第45-48页 |
| ·实验 | 第48-53页 |
| ·实验数据 | 第48-49页 |
| ·实验方法 | 第49-50页 |
| ·实验结论 | 第50-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间取得的科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |