| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-24页 |
| ·引言 | 第11-12页 |
| ·数据挖掘技术概述 | 第12-20页 |
| ·数据规约 | 第12-14页 |
| ·数据聚类方法研究 | 第14-17页 |
| ·数据分类与预测方法研究 | 第17-20页 |
| ·数据挖掘技术在医疗诊断中的应用研究现状 | 第20-21页 |
| ·本文的主要研究内容及章节安排 | 第21-24页 |
| ·本文的主要研究内容 | 第22页 |
| ·本文的章节安排 | 第22-24页 |
| 第二章 激光诱导自体荧光大肠早癌诊断数据分析系统 | 第24-34页 |
| ·医疗诊断数据的特征及数据挖掘中的关键技术 | 第24-25页 |
| ·激光诱导大肠早癌诊断数据分析 | 第25-26页 |
| ·数据采集 | 第26-30页 |
| ·激光诱导荧光的基本原理 | 第26-27页 |
| ·自体荧光检测系统 | 第27-29页 |
| ·标本选取 | 第29页 |
| ·光谱采集 | 第29-30页 |
| ·数据除噪处理 | 第30-31页 |
| ·数据预处理 | 第31-32页 |
| ·数据集成 | 第31页 |
| ·数据约简 | 第31-32页 |
| ·聚类分析与分类预测 | 第32-33页 |
| ·确定聚类模式 | 第32页 |
| ·形成初始训练样本集 | 第32页 |
| ·数据特征提取 | 第32页 |
| ·分类和预测 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 粗糙主成分分析的属性约简方法 | 第34-51页 |
| ·特征提取概述 | 第34-36页 |
| ·粗糙集理论的基本概念 | 第36-39页 |
| ·基于粗糙集理论的知识表达系统 | 第36-38页 |
| ·约简与核 | 第38-39页 |
| ·信息熵 | 第39页 |
| ·基于容错关系的粗糙集模型 | 第39-44页 |
| ·基于容错关系的粗糙集模型基本概念 | 第40-42页 |
| ·基于容错关系的信息熵 | 第42-43页 |
| ·基于容错关系信息熵的属性约简框架 | 第43-44页 |
| ·基于容错关系信息熵的粗糙主成分分析方法(RPCA) | 第44-48页 |
| ·算法思想 | 第44-45页 |
| ·实例分析 | 第45-47页 |
| ·算法分析 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·数据集的说明 | 第48页 |
| ·实验结果 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于格论的数据聚类算法 | 第51-72页 |
| ·基本概念 | 第52-55页 |
| ·格的定义 | 第52-54页 |
| ·格的域空间(Domain lattice) | 第54页 |
| ·覆盖关系 | 第54-55页 |
| ·相似性的度量 | 第55-58页 |
| ·基本思想 | 第55-56页 |
| ·产生所有子格 | 第56-57页 |
| ·计算所有的覆盖格 | 第57页 |
| ·度量并聚类 | 第57-58页 |
| ·算法描述 | 第58-61页 |
| ·基本思想 | 第58-59页 |
| ·产生所有子格 | 第59页 |
| ·计算所有的覆盖格 | 第59-60页 |
| ·度量并聚类 | 第60页 |
| ·算法步骤 | 第60-61页 |
| ·实验结果 | 第61-65页 |
| ·公共数据集测试 | 第62-64页 |
| ·大肠早癌临床数据实验 | 第64-65页 |
| ·数据特征的提取 | 第65-67页 |
| ·均值方差法 | 第65-66页 |
| ·荧光强度比值判别法 | 第66-67页 |
| ·算法分析 | 第67-71页 |
| ·聚类数目k值的优化 | 第67-69页 |
| ·聚类中心初始化方法 | 第69-70页 |
| ·聚类质量分析 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 基于检索树的改进分类算法 | 第72-83页 |
| ·CwkNN算法简介 | 第72-75页 |
| ·CwkNN举例 | 第73-74页 |
| ·CwkNN算法实验性能分析 | 第74-75页 |
| ·检索树的构建 | 第75-80页 |
| ·检索树树节点的结构 | 第76-77页 |
| ·检索树的构建 | 第77-80页 |
| ·实验结果及算法比较 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 非平衡医疗数据分类研究 | 第83-103页 |
| ·引言 | 第83-84页 |
| ·样本密度对数据分类的影响 | 第84-85页 |
| ·基于μ-密度的数据分类算法 | 第85-91页 |
| ·基于全局密度的改进计数最近邻算法 | 第85-86页 |
| ·μ-密度分类算法 | 第86-87页 |
| ·实验结果及分析 | 第87-89页 |
| ·参数的选择与分析 | 第89-91页 |
| ·基于边界样本局部密度分类算法 | 第91-99页 |
| ·基于边界样本局部密度分类算法 | 第91-94页 |
| ·基于边界样本局部密度分类算法实验结果 | 第94-98页 |
| ·密度算法中参数分析 | 第98-99页 |
| ·密度算法对大肠早癌数据集的实验结果及分析 | 第99-101页 |
| ·大肠早癌数据集的说明 | 第99页 |
| ·各改进密度算法和CwkNN的比较 | 第99-101页 |
| ·边界样本局部密度分类算法和CwkNN的比较 | 第101页 |
| ·密度算法和vkNN/tkNN的比较 | 第101-102页 |
| ·对公共数据集的比较 | 第101页 |
| ·对大肠早癌数据集的比较 | 第101-102页 |
| ·本章小结 | 第102-103页 |
| 第七章 总结与展望 | 第103-106页 |
| ·全文总结 | 第103-104页 |
| ·研究与展望 | 第104-106页 |
| 参考文献 | 第106-114页 |
| 攻读博士学位期间的著作、学术论文 | 第114-116页 |
| 致谢 | 第116页 |