摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-16页 |
1.1 论文背景及意义 | 第9-10页 |
1.1.1 研究背景 | 第9页 |
1.1.2 研究目的和意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 医疗诊断系统的发展状况 | 第10-11页 |
1.2.2 信息融合的发展状况 | 第11-12页 |
1.2.3 存在的主要问题 | 第12-13页 |
1.3 研究内容 | 第13-14页 |
1.3.1 研究路线 | 第13页 |
1.3.2 主要工作 | 第13-14页 |
1.4 论文结构 | 第14-16页 |
第二章 系统相关技术与理论基础 | 第16-26页 |
2.1 信息融合相关理论 | 第16-21页 |
2.1.1 信息融合的定义 | 第16页 |
2.1.2 信息融合的结构 | 第16-17页 |
2.1.3 信息融合的处理层次 | 第17-19页 |
2.1.4 信息融合的常用方法 | 第19-20页 |
2.1.5 糖尿病风险识别模型的信息融合框架 | 第20-21页 |
2.2 糖尿病风险识别系统概述 | 第21-23页 |
2.2.1 系统概述 | 第21页 |
2.2.2 系统软件架构 | 第21-22页 |
2.2.3 系统功能模块 | 第22-23页 |
2.3 系统实现相关技术 | 第23-25页 |
2.3.1 Spring MVC框架 | 第24页 |
2.3.2 Fork/Join框架 | 第24-25页 |
2.3.3 Web Service | 第25页 |
2.4 本章小结 | 第25-26页 |
第三章 基于萤火虫算法的糖尿病特征选择的研究 | 第26-42页 |
3.1 特征选择算法的选取 | 第26-27页 |
3.2 算法基本概念 | 第27-29页 |
3.2.1 萤火虫算法 | 第27页 |
3.2.2 粗糙集理论 | 第27-29页 |
3.3 糖尿病特征提取及数据预处理 | 第29-32页 |
3.3.1 特征提取 | 第29-30页 |
3.3.2 特征数据预处理 | 第30-32页 |
3.4 改进的萤火虫算法及基本流程 | 第32-36页 |
3.4.1 萤火虫算法存在的问题及改进方法 | 第32页 |
3.4.2 RS-IFA特征选择算法的基本流程 | 第32-36页 |
3.5 实证分析 | 第36-41页 |
3.5.1 实验设置 | 第36-37页 |
3.5.2 实验结果与分析 | 第37-41页 |
3.6 本章小结 | 第41-42页 |
第四章 基于BPNN和证据理论的糖尿病风险识别的研究 | 第42-61页 |
4.1 糖尿病风险识别算法的选取 | 第42-43页 |
4.2 算法基本概念 | 第43-46页 |
4.2.1 BP神经网络 | 第43-45页 |
4.2.2 D-S证据理论 | 第45-46页 |
4.3 BPNN-DS二级糖尿病风险识别模型 | 第46-48页 |
4.3.1 BPNN-DS模型概述 | 第46页 |
4.3.2 BPNN-DS模型操作流程 | 第46-48页 |
4.4 实证分析 | 第48-60页 |
4.4.1 构造样本集 | 第48-49页 |
4.4.2 BP神经网络初步诊断 | 第49-56页 |
4.4.3 D-S证据理论二级诊断 | 第56-58页 |
4.4.4 综合分析 | 第58-60页 |
4.5 本章小结 | 第60-61页 |
第五章 糖尿病风险识别系统的设计与实现 | 第61-73页 |
5.1 系统设计目标 | 第61页 |
5.2 系统总体设计 | 第61-63页 |
5.2.1 用户角色设计 | 第61页 |
5.2.2 功能模块设计 | 第61-63页 |
5.3 系统详细设计 | 第63-69页 |
5.3.1 系统用例图 | 第64-66页 |
5.3.2 系统类图 | 第66-67页 |
5.3.3 系统序列图 | 第67-69页 |
5.4 开发工具及环境 | 第69页 |
5.5 主要功能模块实现 | 第69-72页 |
5.5.1 数据维护 | 第69-70页 |
5.5.2 辅助诊断模块 | 第70-71页 |
5.5.3 系统设置模块 | 第71-72页 |
5.6 本章小结 | 第72-73页 |
第六章 总结与展望 | 第73-75页 |
6.1 本文研究工作总结 | 第73-74页 |
6.2 今后工作展望 | 第74-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-80页 |
攻读硕士期间的学术成果 | 第80页 |