| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 大数据样例选择方法的研究现状 | 第15-17页 |
| 1.3 非均衡学习的研究现状 | 第17-21页 |
| 1.3.1 重采样技术 | 第17-18页 |
| 1.3.2 代价敏感学习 | 第18-19页 |
| 1.3.3 性能评价度量 | 第19-21页 |
| 1.4 产前筛查概述及机器学习在产前筛查中的研究现状 | 第21-24页 |
| 1.4.1 产前筛查的概述 | 第21-22页 |
| 1.4.2 机器学习方法在医疗决策中的研究现状 | 第22-23页 |
| 1.4.3 机器学习方法在产前筛查中的研究现状 | 第23-24页 |
| 1.5 本文的研究内容与组织结构 | 第24-26页 |
| 1.5.1 研究内容 | 第24-25页 |
| 1.5.2 组织结构 | 第25-26页 |
| 第2章 基于非平稳割点的非均衡数据约简 | 第26-50页 |
| 2.1 引言 | 第26页 |
| 2.2 非平稳割点 | 第26-29页 |
| 2.2.1 非平稳割点的定义 | 第26-27页 |
| 2.2.2 非平稳割点的性质 | 第27-29页 |
| 2.3 基于非平稳割点的样例选择 | 第29-33页 |
| 2.3.1 非平稳子集的构建 | 第29-30页 |
| 2.3.2 样例选择算法 | 第30-31页 |
| 2.3.3 算法的演示 | 第31-33页 |
| 2.4 阈值选择 | 第33-35页 |
| 2.5 离散值的影响 | 第35-37页 |
| 2.6 实验验证与分析 | 第37-48页 |
| 2.6.1 实验数据集简介 | 第37-38页 |
| 2.6.2 实验步骤 | 第38-39页 |
| 2.6.3 实验结果分析 | 第39-48页 |
| 2.7 本章小结 | 第48-50页 |
| 第3章 基于重采样的ELM集成学习 | 第50-59页 |
| 3.1 引言 | 第50页 |
| 3.2 ELM方法 | 第50-51页 |
| 3.3 基于重采样的ELM集成学习 | 第51-52页 |
| 3.4 实验结果与分析 | 第52-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于可调节因子的加权ELM | 第59-69页 |
| 4.1 引言 | 第59页 |
| 4.2 加权ELM方法 | 第59-60页 |
| 4.3 基于可调节因子的加权ELM | 第60-62页 |
| 4.4 实验结果与分析 | 第62-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 基于非均衡学习的产前筛查高风险预测 | 第69-87页 |
| 5.1 产前筛查数据的非均衡性 | 第69-70页 |
| 5.2 产前筛查的传统方法 | 第70-73页 |
| 5.3 产前筛查数据预处理 | 第73-75页 |
| 5.4 产前筛查高风险预测模型 | 第75-83页 |
| 5.4.1 UCBSS结合决策树预测模型 | 第76-79页 |
| 5.4.2 UCBSS结合多种ELM预测模型 | 第79-83页 |
| 5.5 产前筛查辅助决策模型 | 第83-86页 |
| 5.6 本章小结 | 第86-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 6.1 主要结论与创新 | 第87-88页 |
| 6.2 研究展望 | 第88-89页 |
| 参考文献 | 第89-98页 |
| 致谢 | 第98-99页 |
| 攻读博士学位期间科研工作情况 | 第99页 |