| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 健康大数据的国内外研究现状 | 第12-13页 |
| 1.2.2 健康大数据分类技术的国内外研究现状 | 第13-14页 |
| 1.3 论文的研究内容与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 健康大数据分类模型研究 | 第17-28页 |
| 2.1 健康大数据分析 | 第17-23页 |
| 2.1.1 健康大数据研究 | 第17-18页 |
| 2.1.2 健康大数据传统分类算法 | 第18-22页 |
| 2.1.3 健康大数据应用 | 第22-23页 |
| 2.2 半监督学习算法 | 第23-27页 |
| 2.2.1 机器学习 | 第23-24页 |
| 2.2.2 半监督分类算法基本假设 | 第24-25页 |
| 2.2.3 半监督分类算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 面向检验数据的自训练分类模型研究 | 第28-39页 |
| 3.1 引言 | 第28页 |
| 3.2 自训练算法 | 第28-29页 |
| 3.3 优化的自训练算法 | 第29-30页 |
| 3.4 基于自训练的肝病分类框架 | 第30-31页 |
| 3.5 实验结果 | 第31-38页 |
| 3.5.1 数据来源与预处理 | 第31-32页 |
| 3.5.2 数据划分 | 第32页 |
| 3.5.3 实验结果与分析 | 第32-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 面向病历数据的协同训练分类模型研究 | 第39-56页 |
| 4.1 引言 | 第39-40页 |
| 4.2 Tri-training算法研究 | 第40-45页 |
| 4.2.1 基分类器差异性介绍 | 第42页 |
| 4.2.2 Tri-training算法的PAC可学习性 | 第42-45页 |
| 4.3 优化的Tri-training算法 | 第45-48页 |
| 4.3.1 类概率估计 | 第46-47页 |
| 4.3.2 基分类器权重 | 第47页 |
| 4.3.3 优化的Tri-training算法 | 第47-48页 |
| 4.4 构建冠心病辅助诊断分类模型 | 第48-51页 |
| 4.4.1 冠心病数据预处理与特征选择 | 第48-50页 |
| 4.4.2 基于优化的Tri-training冠心病分类模型 | 第50-51页 |
| 4.5 实验结果 | 第51-55页 |
| 4.5.1 数据来源与预处理结果 | 第51页 |
| 4.5.2 数据划分 | 第51-52页 |
| 4.5.3 实验结果与分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 面向医疗组织图像的基于图的半监督分类模型研究 | 第56-73页 |
| 5.1 引言 | 第56-57页 |
| 5.2 基于图的半监督学习 | 第57-61页 |
| 5.2.1 图构造策略 | 第57-59页 |
| 5.2.2 基于图的半监督正则化框架 | 第59页 |
| 5.2.3 基于图的半监督分类算法 | 第59-61页 |
| 5.3 基于锚点建图的半监督学习 | 第61-65页 |
| 5.3.1 锚点建图策略 | 第62-63页 |
| 5.3.2 基于锚点建图的半监督分类模型 | 第63-65页 |
| 5.4 优化的锚点建图半监督算法 | 第65-67页 |
| 5.5 基于优化的锚点建图胶囊内镜组织图像分类模型 | 第67-69页 |
| 5.5.1 胶囊内镜组织图像预处理 | 第67-68页 |
| 5.5.2 胶囊内镜组织图像分类 | 第68-69页 |
| 5.6 实验结果 | 第69-72页 |
| 5.6.1 数据来源 | 第69页 |
| 5.6.2 实验结果与分析 | 第69-72页 |
| 5.7 本章小结 | 第72-73页 |
| 第六章 全文总结与展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
