| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 生物组织介电特性研究现状 | 第11-13页 |
| 1.2.2 机器学习分类法在良恶性组织鉴别中的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容及结构安排 | 第14-16页 |
| 第二章 介电特性数据获取及各参数鉴别能力分析 | 第16-28页 |
| 2.1 正常和恶性组织介电特性测量 | 第16-17页 |
| 2.2 Cole-Cloe模型拟合 | 第17-20页 |
| 2.3 ROC曲线分析 | 第20-28页 |
| 2.3.1 ROC曲线分析方法介绍 | 第20-22页 |
| 2.3.2 ROC曲线分析结果 | 第22-28页 |
| 第三章 基于支持向量机的正常和恶性组织鉴别研究 | 第28-50页 |
| 3.1 统计学习理论 | 第28-33页 |
| 3.1.1 学习过程一致性 | 第29-30页 |
| 3.1.2 VC维理论 | 第30-31页 |
| 3.1.3 推广性的界 | 第31-32页 |
| 3.1.4 结构风险最小化 | 第32-33页 |
| 3.2 线性支持向量机 | 第33-36页 |
| 3.3 核函数的选取 | 第36-38页 |
| 3.4 模型参数的选取 | 第38-45页 |
| 3.4.1 网格搜索法 | 第39-40页 |
| 3.4.2 遗传算法 | 第40-42页 |
| 3.4.3 粒子群算法 | 第42-45页 |
| 3.5 鉴别结果及分析 | 第45-50页 |
| 3.5.1 结直肠组织鉴别结果 | 第45-47页 |
| 3.5.2 胃组织鉴别结果 | 第47-50页 |
| 第四章 基于支持向量机的增量学习算法实现及界面设计 | 第50-58页 |
| 4.1 支持向量机增量学习算法描述 | 第50-51页 |
| 4.2 基于中心密度算法的SVM增量学习算法实现 | 第51-54页 |
| 4.2.1 利用KKT条件提取新增样本中的有用信息 | 第51页 |
| 4.2.2 中心密度法提取可转化为支持向量的原非支持向量 | 第51-52页 |
| 4.2.3 算法实现流程 | 第52-54页 |
| 4.3 增量学习结果分析 | 第54-55页 |
| 4.4 界面设计 | 第55-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-68页 |
| 攻读硕士期间成果 | 第68-69页 |
| 致谢 | 第69-70页 |
