贝叶斯网研究及在轻度认知损害诊断中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·轻度认知损害研究现状 | 第8-9页 |
| ·贝叶斯网研究发展及应用 | 第9-13页 |
| ·贝叶斯网发展 | 第9-10页 |
| ·贝叶斯网研究现状 | 第10-13页 |
| ·本文的主要工作 | 第13-14页 |
| 2 贝叶斯网学习及推理 | 第14-24页 |
| ·贝叶斯网的数学表达 | 第14-16页 |
| ·贝叶斯网语义 | 第14-15页 |
| ·贝叶斯概率及规则 | 第15-16页 |
| ·贝叶斯网结构学习 | 第16-19页 |
| ·基于完备数据的贝叶斯网结构学习 | 第17-18页 |
| ·基于不完备数据的贝叶斯网结构学习 | 第18-19页 |
| ·贝叶斯网参数学习 | 第19-20页 |
| ·贝叶斯网推理 | 第20-24页 |
| ·贝叶斯网的推理形式 | 第20-21页 |
| ·贝叶斯网的推理算法 | 第21-24页 |
| 3 MCI诊断因子的贝叶斯分析 | 第24-27页 |
| ·贝叶斯网与MCI诊断 | 第24页 |
| ·MCI诊断指标在贝叶斯网中的应用 | 第24-27页 |
| ·基于临床量表的变量集 | 第24-25页 |
| ·基于生物物理因子诊断指标的变量集 | 第25-27页 |
| 4 基于朴素贝叶斯的MCI诊断模型 | 第27-34页 |
| ·朴素贝叶斯网 | 第27-28页 |
| ·基于量表检测的诊断模型 | 第28-31页 |
| ·数据采集 | 第28-29页 |
| ·模型的建立 | 第29页 |
| ·节点的离散化 | 第29-31页 |
| ·结果分析 | 第31-34页 |
| ·概率分布 | 第31页 |
| ·样本学习及预测 | 第31-32页 |
| ·缺省值的处理 | 第32-34页 |
| 5 基于贝叶斯的MCI诊断模型 | 第34-46页 |
| ·贝叶斯网结构学习算法 | 第34-38页 |
| ·Cheng算法 | 第34页 |
| ·贝叶斯评分算法 | 第34-36页 |
| ·最小描述长度算法 | 第36-37页 |
| ·K2算法 | 第37-38页 |
| ·K2算法的改进 | 第38-41页 |
| ·新算法的给出 | 第38页 |
| ·算法描述 | 第38-39页 |
| ·算法时间复杂度分析 | 第39-40页 |
| ·算法验证 | 第40-41页 |
| ·基于脑结构萎缩的诊断模型 | 第41-46页 |
| ·变量集的选取 | 第41-42页 |
| ·数据的处理 | 第42-43页 |
| ·模型的建立 | 第43-44页 |
| ·结果分析 | 第44-46页 |
| 6 老年痴呆症早期预测专家系统的设计与实现 | 第46-53页 |
| ·系统功能设计 | 第46-48页 |
| ·数据库设计 | 第48-50页 |
| ·系统实现技术 | 第50-53页 |
| ·系统架构 | 第50-51页 |
| ·设计模式 | 第51-52页 |
| ·数据访问层Hibernate | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-60页 |
