妇幼保健疾病数据挖掘及可视化的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本论文的研究内容 | 第12页 |
| 1.4 本论文的组织结构 | 第12-14页 |
| 2 医疗数据挖掘及可视化技术 | 第14-23页 |
| 2.1 医疗数据概述 | 第14-15页 |
| 2.1.1 医疗数据基本概念 | 第14页 |
| 2.1.2 医疗数据主要特征 | 第14-15页 |
| 2.2 医疗数据挖掘 | 第15-18页 |
| 2.2.1 医疗数据挖掘过程 | 第15-16页 |
| 2.2.2 医疗数据挖掘方法 | 第16-17页 |
| 2.2.3 医疗数据挖掘算法 | 第17-18页 |
| 2.3 数据可视化技术 | 第18-22页 |
| 2.3.1 数据可视化流程 | 第18-19页 |
| 2.3.2 数据可视化设计 | 第19-20页 |
| 2.3.3 数据可视化基本图表 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于全局相似度噪声数据预处理 | 第23-32页 |
| 3.1 数据预处理概述 | 第23-25页 |
| 3.1.1 数据预处理基本概念 | 第23页 |
| 3.1.2 数据预处理的过程 | 第23-24页 |
| 3.1.3 噪声数据预处理 | 第24-25页 |
| 3.2 数据相似度 | 第25-27页 |
| 3.2.1 相似度基本定义 | 第25页 |
| 3.2.2 相似度度量常用方法 | 第25-27页 |
| 3.3 最近邻集的确定 | 第27-28页 |
| 3.3.1 最近邻判定方法 | 第28页 |
| 3.3.2 最近邻集确定方法 | 第28页 |
| 3.4 SNN改进算法 | 第28-30页 |
| 3.4.1 最近邻相似度聚类算法基本步骤 | 第29页 |
| 3.4.2 全局相似度聚类算法 | 第29-30页 |
| 3.5 实验分析 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 支持向量机算法概述 | 第32-42页 |
| 4.1 支持向量机技术 | 第32-38页 |
| 4.1.1 最优分类面 | 第32-33页 |
| 4.1.2 线性可分时的二元分类问题 | 第33-37页 |
| 4.1.3 线性不可分时的二元分类问题 | 第37-38页 |
| 4.2 基于KKT条件的增量支持向量机技术 | 第38-41页 |
| 4.2.1 增量学习概述 | 第39页 |
| 4.2.2 基于KKT的增量学习算法 | 第39-41页 |
| 4.3 本章小结 | 第41-42页 |
| 5 基于SCW-ISVM妇幼保健疾病数据挖掘 | 第42-54页 |
| 5.1 权值确定方法 | 第42-45页 |
| 5.1.1 样本加权 | 第42-43页 |
| 5.1.2 样本关联度权重法 | 第43-45页 |
| 5.2 算法描述 | 第45-47页 |
| 5.3 实验过程与分析 | 第47-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间的研究成果 | 第60页 |
