| 中文摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 前言 | 第11-24页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 RBF-DDA神经网络 | 第13-18页 |
| 1.3.1 RBF-DDA神经网络原理 | 第13-17页 |
| 1.3.2 RBF-DDA神经网络应用 | 第17-18页 |
| 1.4 支持向量机 | 第18-20页 |
| 1.4.1 支持向量机原理 | 第18-19页 |
| 1.4.2 支持向量机应用 | 第19-20页 |
| 1.5 随机森林 | 第20-22页 |
| 1.5.1 随机森林原理 | 第20-21页 |
| 1.5.2 随机森林应用 | 第21-22页 |
| 1.6 立题依据 | 第22-24页 |
| 第2章 资料与方法 | 第24-27页 |
| 2.1 研究资料 | 第24-25页 |
| 2.2 研究方法 | 第25页 |
| 2.3 质量控制 | 第25-26页 |
| 2.4 统计分析方法 | 第26-27页 |
| 第3章 结果 | 第27-48页 |
| 3.1 研究资料的基本情况 | 第27页 |
| 3.2 RBF-DDA神经网络模型 | 第27-31页 |
| 3.2.1 构建训练数据集和测试数据集 | 第28页 |
| 3.2.2 数据预处理 | 第28-29页 |
| 3.2.3 模型参数设置 | 第29-31页 |
| 3.2.4 RBF-DDA神经网络最优模型筛查识别效果 | 第31页 |
| 3.3 支持向量机模型 | 第31-41页 |
| 3.3.1 构建训练数据集和测试数据集 | 第32页 |
| 3.3.2 支持向量机核函数 | 第32-33页 |
| 3.3.3 模型参数设置 | 第33-39页 |
| 3.3.4 不同核函数支持向量机模型识别效果 | 第39-41页 |
| 3.4 随机森林模型 | 第41-45页 |
| 3.4.1 构建训练数据集和测试数据集 | 第42页 |
| 3.4.2 建模步骤 | 第42页 |
| 3.4.3 随机森林模型参数优化 | 第42-44页 |
| 3.4.4 随机森林模型识别效果 | 第44-45页 |
| 3.5 三种模型的比较 | 第45-48页 |
| 3.5.1 三种模型数据预处理的比较 | 第45页 |
| 3.5.2 三种模型建立过程的比较 | 第45-46页 |
| 3.5.3 三种模型识别效果的比较 | 第46-48页 |
| 第4章 讨论 | 第48-56页 |
| 4.1 冠心病慢性病调查资料特征 | 第48-49页 |
| 4.2 RBF-DDA神经网络模型 | 第49-51页 |
| 4.3 支持向量机模型 | 第51-52页 |
| 4.4 随机森林模型 | 第52-54页 |
| 4.5 三种模型的比较 | 第54页 |
| 4.6 研究亮点 | 第54-56页 |
| 第5章 结论 | 第56-57页 |
| 参考文献 | 第57-67页 |
| 作者简介及科研成果 | 第67-68页 |
| 致谢 | 第68页 |