基于蝙蝠优化极限学习机的病脑检测系统
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 缩略用语表 | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 计算机辅助病脑诊断的国内外现状 | 第12-14页 |
| 1.3 论文的主要工作 | 第14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 人脑MRI图像的特征提取 | 第16-23页 |
| 2.1 人脑MRI图像 | 第16-18页 |
| 2.1.1 实验数据 | 第16-17页 |
| 2.1.2 常见脑病简介 | 第17-18页 |
| 2.2 图像的小波熵(WE) | 第18-22页 |
| 2.2.1 离散小波变换 | 第18-21页 |
| 2.2.2 香农熵(SE) | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 极限学习机的概述 | 第23-29页 |
| 3.1 极限学习机的理论基础 | 第23-26页 |
| 3.1.1 单隐层网络的结构 | 第24页 |
| 3.1.2 SLFN的训练问题描述 | 第24-25页 |
| 3.1.3 ELM理论证明 | 第25页 |
| 3.1.4 ELM基本算法 | 第25-26页 |
| 3.2 ELM的发展现状 | 第26页 |
| 3.3 极限学习机的应用 | 第26-28页 |
| 3.3.1 识别 | 第26-27页 |
| 3.3.2 预测 | 第27页 |
| 3.3.3 医学诊断 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 蝙蝠算法优化的极限学习机 | 第29-34页 |
| 4.1 群智能算法简介 | 第29页 |
| 4.2 蝙蝠算法 | 第29-32页 |
| 4.3 对比算法简介 | 第32-33页 |
| 4.3.1 RBFNN | 第32页 |
| 4.3.2 KELM | 第32页 |
| 4.3.3 OS-ELM | 第32-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第5章 实验与结果 | 第34-44页 |
| 5.1 系统流程 | 第34页 |
| 5.2 实验平台 | 第34-35页 |
| 5.3 交叉验证 | 第35页 |
| 5.4 评价指标 | 第35-36页 |
| 5.5 图像特征提取 | 第36-38页 |
| 5.6 分类器的训练 | 第38-41页 |
| 5.6.1 最优小波选择 | 第39-40页 |
| 5.6.2 最优隐含层神经元数量 | 第40-41页 |
| 5.7 病脑自动检测算法对比 | 第41-42页 |
| 5.8 本章小结 | 第42-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 总结 | 第44-45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-51页 |
| 攻读硕士学位期间发表论文和参与基金项目 | 第51-53页 |
| 致谢 | 第53页 |
