| 中文摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文的组织架构 | 第14-16页 |
| 第二章 弱视的临床概述 | 第16-22页 |
| 2.1 弱视的定义与外延 | 第16页 |
| 2.2 弱视与双眼视觉 | 第16-19页 |
| 2.2.1 融合与抑制 | 第17-18页 |
| 2.2.2 注视稳定性 | 第18页 |
| 2.2.3 立体视觉 | 第18-19页 |
| 2.3 弱视的治疗 | 第19-22页 |
| 2.3.1 弱视的传统治疗 | 第19-20页 |
| 2.3.2 知觉学习治疗方法 | 第20-22页 |
| 第三章 经典数据挖掘算法及相关研究 | 第22-36页 |
| 3.1 聚类分析算法 | 第22-29页 |
| 3.1.1 相似性测度及数据变换方法 | 第22-26页 |
| 3.1.2 聚类的准则函数 | 第26-27页 |
| 3.1.3 聚类经典算法 | 第27-29页 |
| 3.2 决策树分类算法 | 第29-36页 |
| 3.2.1 决策树的构建过程 | 第30-35页 |
| 3.2.2 决策树模型的评估 | 第35-36页 |
| 第四章 聚类算法在弱视诊断中的应用 | 第36-47页 |
| 4.1 弱视的临床诊断 | 第36页 |
| 4.2 数据预处理技术 | 第36-41页 |
| 4.2.1 经典数据预处理过程 | 第36-38页 |
| 4.2.2 弱视视功能缺损检查数据的特点及预处理 | 第38-41页 |
| 4.3 弱视诊断聚类模型的构建 | 第41-47页 |
| 4.3.1 k-means聚类算法概述 | 第41-43页 |
| 4.3.2 k-means聚类算法的应用 | 第43-47页 |
| 第五章 决策树算法在弱视治疗决策中的应用 | 第47-56页 |
| 5.1 弱视知觉学习治疗方法 | 第47-50页 |
| 5.2 数据预处理 | 第50-51页 |
| 5.3 决策树分类算法C4.5 在弱视治疗方案中的应用 | 第51-56页 |
| 5.3.1 决策树C4.5 算法简介 | 第51-53页 |
| 5.3.2 弱视治疗方案决策树模型 | 第53-56页 |
| 第六章 实验结果分析及讨论 | 第56-66页 |
| 6.1 本文的实验流程设计 | 第56-57页 |
| 6.2 数据集简介 | 第57-59页 |
| 6.2.1 数据来源 | 第57-58页 |
| 6.2.2 数据采集 | 第58-59页 |
| 6.3 实验结果与讨论 | 第59-66页 |
| 6.3.1 弱视诊断聚类模型结果与讨论 | 第59-62页 |
| 6.3.2 弱视治疗方案决策树结果与讨论 | 第62-66页 |
| 第七章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 攻读学位期间发表的论文 | 第69-70页 |
| 附录 | 第70-86页 |
| 致谢 | 第86页 |