| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-15页 |
| 1.1 引言 | 第8-9页 |
| 1.2 论文研究背景及意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 数据挖掘技术在医疗诊断中的应用 | 第10-11页 |
| 1.3.2 贝叶斯网络的研究现状 | 第11-12页 |
| 1.3.3 集成模型的研究现状 | 第12-13页 |
| 1.4 课题研究内容 | 第13-14页 |
| 1.5 本文的结构内容安排 | 第14-15页 |
| 2 相关技术 | 第15-31页 |
| 2.1 贝叶斯网络基本概念 | 第15-20页 |
| 2.1.1 贝叶斯网络的理论基础 | 第15-16页 |
| 2.1.2 贝叶斯网络的结构学习 | 第16-18页 |
| 2.1.3 贝叶斯网络的参数学习 | 第18-19页 |
| 2.1.4 贝叶斯网络的推理 | 第19-20页 |
| 2.2 几种常见的贝叶斯网络分类模型 | 第20-23页 |
| 2.2.1 NB模型 | 第20-21页 |
| 2.2.2 TAN模型 | 第21-22页 |
| 2.2.3 BN模型 | 第22-23页 |
| 2.3 Matlab并行计算 | 第23-24页 |
| 2.3.1 Matlab并行计算工具箱 | 第23-24页 |
| 2.3.2 Matlab分布式计算服务器 | 第24页 |
| 2.4 分类器集成 | 第24-30页 |
| 2.4.1 不同种类的基分类器 | 第25-26页 |
| 2.4.2 有代表性的集成方式 | 第26-28页 |
| 2.4.3 集成分类器产生方法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 心脏病诊断贝叶斯网络模型的构建 | 第31-41页 |
| 3.1 相关定义 | 第32页 |
| 3.2 基于贝叶斯网络的算法设计 | 第32-36页 |
| 3.2.1 算法描述 | 第34-36页 |
| 3.2.2 算法分析 | 第36页 |
| 3.3 心脏病诊断模型的建立 | 第36-38页 |
| 3.3.1 数据来源 | 第36-37页 |
| 3.3.2 数据预处理 | 第37-38页 |
| 3.4 心脏病诊断模型的建立流程 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 分类器集成的数据融合方法 | 第41-51页 |
| 4.1 分类器集成模型 | 第41-42页 |
| 4.2 基分类器的生成 | 第42-46页 |
| 4.2.1 基分类器生成方式 | 第42-45页 |
| 4.2.2 基分类器生成算法 | 第45-46页 |
| 4.3 基分类器的选择和集成 | 第46-49页 |
| 4.3.1 集成分类器选择 | 第48-49页 |
| 4.3.2 基分类器的集成 | 第49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 实验分析 | 第51-60页 |
| 5.1 实验设计 | 第51-53页 |
| 5.1.1 系统原型 | 第51页 |
| 5.1.2 实验环境 | 第51-52页 |
| 5.1.3 实验数据 | 第52页 |
| 5.1.4 评估标准 | 第52-53页 |
| 5.2 贝叶斯网络结构学习算法实验验证 | 第53-56页 |
| 5.2.1 Init_Order_Learning初始化算法验证 | 第53-54页 |
| 5.2.2 并行优化算法验证 | 第54-55页 |
| 5.2.3 Bayesian_Network_Heart_Disease模型评估 | 第55-56页 |
| 5.3 分类器集成融合方法验证 | 第56-58页 |
| 5.3.1 实验说明 | 第56-57页 |
| 5.3.2 分类器集成实验 | 第57-58页 |
| 5.4 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 研究总结 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68页 |