| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 人工智能在医疗诊断上的研究现状 | 第13-14页 |
| 1.2.2 分类方法研究现状 | 第14-15页 |
| 1.3 研究目标和研究内容 | 第15-16页 |
| 1.4 本章小结 | 第16-18页 |
| 第二章 分类方法 | 第18-32页 |
| 2.1 支持向量机 | 第18-25页 |
| 2.1.1 线性可分的SVM | 第18-23页 |
| 2.1.2 线性不可分SVM | 第23-25页 |
| 2.2 KNN算法 | 第25-27页 |
| 2.3 BP神经网络 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 Relief特征选择及核参数优化 | 第32-48页 |
| 3.1 Relief特征选择 | 第32-36页 |
| 3.1.1 特征选择的意义 | 第32页 |
| 3.1.2 特征选择方法分类 | 第32-33页 |
| 3.1.3 特征重要性度量 | 第33-35页 |
| 3.1.4 Relief算法 | 第35-36页 |
| 3.2 核函数 | 第36-39页 |
| 3.2.1 单一核函数 | 第37-38页 |
| 3.2.2 混合核函数 | 第38-39页 |
| 3.3 核函数参数优化 | 第39-43页 |
| 3.3.1 参数优化意义 | 第39页 |
| 3.3.2 参数优化方法 | 第39-40页 |
| 3.3.3 网格搜索法 | 第40-41页 |
| 3.3.4 遗传算法 | 第41-43页 |
| 3.4 核参数组合优化 | 第43-46页 |
| 3.4.1 组合优化方法 | 第43-44页 |
| 3.4.2 组合优化模型验证 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 SVM疾病诊断模型的构建 | 第48-64页 |
| 4.1 SVM诊断流程 | 第48-49页 |
| 4.2 模型构建环境及数据集介绍 | 第49-51页 |
| 4.2.1 实验环境搭建 | 第49页 |
| 4.2.2 数据集介绍 | 第49-51页 |
| 4.3 Relief特征选择 | 第51-55页 |
| 4.3.1 特征权重计算 | 第51-53页 |
| 4.3.2 特征子集选取 | 第53-55页 |
| 4.4 混合核函数构造 | 第55-58页 |
| 4.4.1 混合核系数的确定 | 第55-56页 |
| 4.4.2 混合核性能验证 | 第56-58页 |
| 4.5 Relief-混合核SVM诊断模型的建立与验证 | 第58-60页 |
| 4.6 与KNN、BP神经网络性能比较 | 第60-61页 |
| 4.7 本章小结 | 第61-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74页 |