| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 研究现状 | 第7-8页 |
| 1.3 本文主要工作 | 第8-9页 |
| 1.4 本文结构 | 第9-10页 |
| 第二章 数据来源与模型简介 | 第10-22页 |
| 2.1 MIT-BIH数据库 | 第10-11页 |
| 2.2 降维方法 | 第11-14页 |
| 2.2.1 模糊均值聚类 | 第11-13页 |
| 2.2.2 费舍尔得分法 | 第13页 |
| 2.2.3 主成分分析 | 第13-14页 |
| 2.3 概率神经网络模型 | 第14-16页 |
| 2.4 遗传算法 | 第16-19页 |
| 2.4.1 个体评价 | 第17页 |
| 2.4.2 选择 | 第17-18页 |
| 2.4.3 交叉 | 第18-19页 |
| 2.4.4 变异 | 第19页 |
| 2.5 基于遗传算法优化概率神经网络 | 第19-22页 |
| 第三章 实验步骤与结果分析 | 第22-36页 |
| 3.1 数据集信息 | 第22页 |
| 3.2 传统PNN模型 | 第22-23页 |
| 3.3 GA-PNN模型运行结果(基于原始数据集) | 第23-26页 |
| 3.4 GA-PNN模型运行结果(基于降维后数据集) | 第26-32页 |
| 3.4.1 FCM子集 | 第26-28页 |
| 3.4.2 FS子集 | 第28-30页 |
| 3.4.3 PCA子集 | 第30-32页 |
| 3.5 运行效率对比 | 第32-36页 |
| 3.5.1 时间开销对比 | 第32-34页 |
| 3.5.2 准确率对比 | 第34-36页 |
| 第四章 总结与展望 | 第36-38页 |
| 4.1 与同类研究对比 | 第36-37页 |
| 4.2 本文优势 | 第37页 |
| 4.3 不足与展望 | 第37-38页 |
| 参考文献 | 第38-42页 |
| 致谢 | 第42页 |