| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 研究现状 | 第12-15页 |
| 1.3.2 主要问题 | 第15页 |
| 1.4 本文工作及结构 | 第15-18页 |
| 1.4.1 本文的工作 | 第15-16页 |
| 1.4.2 本文的结构 | 第16-17页 |
| 1.4.3 技术路线图 | 第17-18页 |
| 第2章 相关技术及理论 | 第18-27页 |
| 2.1 网络学习环境概述 | 第18页 |
| 2.2 计算机视觉测量 | 第18-20页 |
| 2.2.1 Adaboost人脸检测算法 | 第18-19页 |
| 2.2.2 瞳孔定位算法 | 第19-20页 |
| 2.3 数据挖掘概要 | 第20-21页 |
| 2.4 数据挖掘分类算法 | 第21-25页 |
| 2.4.1 决策树 | 第21-22页 |
| 2.4.2 随机森林 | 第22-23页 |
| 2.4.3 支持向量机 | 第23-25页 |
| 2.5 数据挖掘模型评价方法 | 第25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 基于计算机视觉和问卷调查相结合的数据采集与分析 | 第27-38页 |
| 3.1 网络学习环境研究对象和特征选择 | 第27-28页 |
| 3.2 基于问卷法的网络学习环境调研 | 第28-29页 |
| 3.2.1 研究方法 | 第28页 |
| 3.2.2 研究工具 | 第28-29页 |
| 3.3 基于计算机视觉的用眼距离测量 | 第29-31页 |
| 3.3.1 研究工具 | 第29-30页 |
| 3.3.2 工具测试 | 第30-31页 |
| 3.4 数据基本分析 | 第31-34页 |
| 3.4.1 整体分析 | 第32-33页 |
| 3.4.2 不同视力水平学生情况分析 | 第33-34页 |
| 3.5 特征筛选 | 第34-36页 |
| 3.6 视力主要影响因素分析 | 第36页 |
| 3.7 本章小结 | 第36-38页 |
| 第4章 中小学生视力预测模型构建 | 第38-46页 |
| 4.1 数据预处理 | 第38-39页 |
| 4.1.1 数据标准化 | 第38-39页 |
| 4.1.2 异常值检验 | 第39页 |
| 4.2 样本数量不均衡的处理 | 第39-41页 |
| 4.3 视力预测模型构建 | 第41-43页 |
| 4.3.1 决策树 | 第41-42页 |
| 4.3.2 随机森林 | 第42页 |
| 4.3.3 支持向量机 | 第42-43页 |
| 4.4 模型分析与评价 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 中小学生视力干预方法研究 | 第46-51页 |
| 5.1 基于计算机视觉的干预方法 | 第46-47页 |
| 5.2 基于心理学的干预方法 | 第47-48页 |
| 5.3 视力干预实验设计及分析 | 第48-50页 |
| 5.3.1 干预研究对象的选择 | 第48页 |
| 5.3.2 干预实施 | 第48页 |
| 5.3.3 干预效果及分析 | 第48-50页 |
| 5.4 研究建议 | 第50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本文的总结 | 第51页 |
| 6.2 研究展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |