| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 本文的工作内容 | 第15页 |
| 1.3 本文组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 相关理论与研究综述 | 第17-30页 |
| 2.1 时间序列预测方法 | 第17-22页 |
| 2.1.1 时间序列定义 | 第17-18页 |
| 2.1.2 基于统计学的时间序列预测 | 第18-20页 |
| 2.1.3 基于支持向量机的时间序列预测 | 第20-22页 |
| 2.2 深度学习 | 第22-27页 |
| 2.2.1 深度学习流程 | 第23-24页 |
| 2.2.2 损失函数的定义 | 第24-25页 |
| 2.2.3 梯度下降学习 | 第25-26页 |
| 2.2.4 模型性能度量 | 第26-27页 |
| 2.3 国内外研究现状 | 第27-29页 |
| 2.3.1 胎儿体重预测研究现状 | 第27-28页 |
| 2.3.2 血压预测研究现状 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 TS-DNN模型在胎儿体重预测的应用 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 TS-DNN模型 | 第30-35页 |
| 3.2.1 TS-DNN预测模型结构 | 第31-33页 |
| 3.2.2 激活函数选择 | 第33-34页 |
| 3.2.3 超参数调整策略 | 第34-35页 |
| 3.3 相关外部变量的预处理 | 第35-38页 |
| 3.3.1 生理参数提取 | 第36-37页 |
| 3.3.2 缺失值处理及标准化 | 第37-38页 |
| 3.4 实验与结果 | 第38-41页 |
| 3.4.1 实验数据集描述 | 第38-40页 |
| 3.4.2 实验环境 | 第40页 |
| 3.4.3 TS-DNN预测模型与传统方法对比 | 第40-41页 |
| 3.4.4 实验结果分析与总结 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 ARIMA-SVM模型在血压预测的应用 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 基于ARIMA模型的连续血压预测 | 第43-46页 |
| 4.2.1 时间序列的差分 | 第43-45页 |
| 4.2.2 模型阶数的确定 | 第45-46页 |
| 4.3 基于ARIMA-SVM混合模型的连续血压预测 | 第46-51页 |
| 4.3.1 ARIMA-SVM混合模型的思想 | 第46-48页 |
| 4.3.2 支持向量机的参数优化 | 第48-51页 |
| 4.4 实验与结果 | 第51-54页 |
| 4.4.1 实验数据集描述 | 第51-52页 |
| 4.4.2 数据预处理 | 第52页 |
| 4.4.3 实验结果分析与总结 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 研究总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间主要研究成果 | 第61页 |