基于多源特征分析的冠心病预测模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 项目研究背景和意义 | 第10-11页 |
| 1.2 国内外现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文组织架构 | 第13-14页 |
| 第二章 相关技术 | 第14-24页 |
| 2.1 算法分析技术 | 第14-19页 |
| 2.1.1 SVM | 第14-15页 |
| 2.1.2 贝叶斯算法 | 第15页 |
| 2.1.3 逻辑回归 | 第15-16页 |
| 2.1.4 GBDT | 第16-17页 |
| 2.1.5 XGBoost | 第17-18页 |
| 2.1.6 随机森林 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.2.1 基本原理 | 第19-20页 |
| 2.2.2 主要特点 | 第20-22页 |
| 2.2.3 应用领域 | 第22页 |
| 2.3 权重分析技术 | 第22-23页 |
| 2.3.1 Lasso | 第22-23页 |
| 2.3.2 皮尔森相关系数 | 第23页 |
| 2.3.3 最大信息系数 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 高分辨率耳朵图像分割 | 第24-34页 |
| 3.1 特征检测算法分析 | 第24-26页 |
| 3.2 构造Haar特征库 | 第26-30页 |
| 3.2.1 标定目标对象 | 第27-28页 |
| 3.2.2 创建特征向量 | 第28页 |
| 3.2.3 分类器训练 | 第28-30页 |
| 3.3 图像检测分割 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 多源特征提取 | 第34-48页 |
| 4.1 耳朵距离特征的研究 | 第34-39页 |
| 4.1.1 构造耳朵距离特征 | 第35-37页 |
| 4.1.2 验证距离特征 | 第37-39页 |
| 4.2 VGG网络特征研究 | 第39-44页 |
| 4.2.1 VGG网络架构 | 第39-41页 |
| 4.2.2 构造VGG网络特征 | 第41-42页 |
| 4.2.3 VGG网络特征降维 | 第42-44页 |
| 4.3 图像病理特征研究 | 第44-47页 |
| 4.3.1 病理特征提取 | 第44-46页 |
| 4.3.2 病理特征验证 | 第46-47页 |
| 4.4 其他数据集特征 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 冠心病预测模型 | 第48-66页 |
| 5.1 基本内容 | 第48页 |
| 5.2 需求分析 | 第48-50页 |
| 5.3 设计方案 | 第50-62页 |
| 5.3.1 局部子特征决策模型 | 第51-58页 |
| 5.3.2 整体子特征决策模型 | 第58-62页 |
| 5.4 综合性能评估 | 第62-65页 |
| 5.4.1 指标评估 | 第63-65页 |
| 5.4.2 其他评估 | 第65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
