| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 引言 | 第9页 |
| 1.2 小于胎龄儿概述和研究意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.3.1 国内研究现状 | 第11页 |
| 1.3.2 国外研究现状 | 第11-12页 |
| 1.4 研究内容 | 第12-15页 |
| 1.5 论文结构 | 第15-17页 |
| 第2章 相关理论基础 | 第17-35页 |
| 2.1 机器学习简介 | 第17-19页 |
| 2.2 深度学习简介 | 第19-30页 |
| 2.2.1 神经网络 | 第19-22页 |
| 2.2.2 自动编码器 | 第22-25页 |
| 2.2.3 卷积神经网络 | 第25-28页 |
| 2.2.4 循环神经网络 | 第28-30页 |
| 2.3 词向量 | 第30-33页 |
| 2.4 本章小节 | 第33-35页 |
| 第3章 基于自动编码器的小于胎龄儿预测方法 | 第35-47页 |
| 3.1 降噪自动编码器 | 第35-37页 |
| 3.2 改进的降噪自动编码器 | 第37-38页 |
| 3.3 实验设计和分析 | 第38-46页 |
| 3.3.1 胎龄儿数据集 | 第39-40页 |
| 3.3.2 小于胎龄儿判断依据 | 第40-41页 |
| 3.3.3 数据清洗 | 第41页 |
| 3.3.4 缺失值填补 | 第41-42页 |
| 3.3.5 数据正规化 | 第42-43页 |
| 3.3.6 模型的搭建 | 第43页 |
| 3.3.7 模型评价标准 | 第43-44页 |
| 3.3.8 实验分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于文本特征的小于胎龄儿预测方法 | 第47-57页 |
| 4.1 文本特征构造 | 第47页 |
| 4.2 基于多粒度的卷积神经网络的小于胎龄儿预测方法 | 第47-49页 |
| 4.3 基于循环神经网络的小于胎龄儿预测方法 | 第49-54页 |
| 4.4 实验结果 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于模型融合的小于胎龄儿预测方法 | 第57-65页 |
| 5.1 模型融合 | 第57-60页 |
| 5.1.1 投票融合 | 第57-58页 |
| 5.1.2 Stacking | 第58-60页 |
| 5.2 实验设计及结果 | 第60-64页 |
| 5.2.1 模型融合的有效性 | 第60-61页 |
| 5.2.2 基于Stacking的第二层算法对比实验 | 第61-62页 |
| 5.2.3 不同算法组合比较 | 第62-63页 |
| 5.2.4 模型融合的上限 | 第63-64页 |
| 5.3 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 致谢 | 第73页 |