基于移动电信数据的个人健康风险预测与评估
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 数据挖掘的研究现状 | 第11-13页 |
| 1.2.2 基于移动电信数据与个人健康的研究现状 | 第13页 |
| 1.3 论文的研究内容及研究成果 | 第13-14页 |
| 1.5 论文的组织安排 | 第14-15页 |
| 第二章 数据挖掘算法及机器学习原理 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 十大经典数据挖掘算法 | 第15-17页 |
| 2.3 机器学习理论 | 第17-18页 |
| 2.4 相关算法 | 第18-29页 |
| 2.4.1 极限学习机理论框架 | 第18-20页 |
| 2.4.2 支持向量机(SVM)算法理论框架 | 第20-26页 |
| 2.4.3 反向传播(BP)神经网络算法理论框架 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 移动电信数据的数据处理及特征值提取 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 移动电信数据处理 | 第30-33页 |
| 3.2.1 数据采集和数据清洗 | 第31-33页 |
| 3.2.2 数据整理 | 第33页 |
| 3.3 移动电信数据特征提取 | 第33-36页 |
| 3.3.1 移动电信数据与个人健康状况关联性探究 | 第33-34页 |
| 3.3.2 特征值提取 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于移动电信数据特征值的模式识别分类 | 第38-47页 |
| 4.1 引言 | 第38页 |
| 4.2 基于移动电信数据的极限学习机框架应用背景 | 第38页 |
| 4.3 算法改进 | 第38-40页 |
| 4.4 个人健康风险识别分类 | 第40-41页 |
| 4.4.1 个人健康风险预测 | 第40-41页 |
| 4.4.2 个人健康风险评估 | 第41页 |
| 4.5 仿真分析 | 第41-46页 |
| 4.5.1 不同训练数据集的平均精度 | 第42-43页 |
| 4.5.2 不同训练数据集的平均时间 | 第43-44页 |
| 4.5.3 不同隐节点的平均精度 | 第44-45页 |
| 4.5.4 与其他算法的性能比较 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 总结及展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻硕期间参与的项目和成果 | 第54页 |
