| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景与问题提出 | 第7-8页 |
| 1.2 拟解决的科学问题 | 第8-9页 |
| 1.3 研究方法与技术路线 | 第9-11页 |
| 1.3.1 研究方法 | 第9页 |
| 1.3.2 技术路线 | 第9-11页 |
| 1.4 论文结构 | 第11-12页 |
| 2 相关研究与理论基础 | 第12-22页 |
| 2.1 相关研究 | 第12-17页 |
| 2.1.1 基于数据挖掘的癌症诊断方法研究现状 | 第12-14页 |
| 2.1.2 人工神经网络研究现状 | 第14-16页 |
| 2.1.3 知识元理论研究现状 | 第16-17页 |
| 2.2 理论基础 | 第17-22页 |
| 2.2.1 人工神经网络 | 第17-19页 |
| 2.2.2 多目标机器学习 | 第19-20页 |
| 2.2.3 知识元模型 | 第20-22页 |
| 3 癌症诊断模型的特征选择 | 第22-30页 |
| 3.1 基于知识元的改进ANN癌症诊断方法 | 第22-23页 |
| 3.2 特征选择方法 | 第23-27页 |
| 3.2.1 过滤型特征选择 | 第23-24页 |
| 3.2.2 封装型特征选择 | 第24-25页 |
| 3.2.3 相关系数—遗传算法混合特征选择方法 | 第25-27页 |
| 3.3 实验及分析 | 第27-30页 |
| 3.3.1 数据描述 | 第27页 |
| 3.3.2 特征选择对比实验 | 第27-30页 |
| 4 基于多目标神经网络的诊断模型研究 | 第30-37页 |
| 4.1 多目标神经网络诊断模型学习 | 第30-34页 |
| 4.1.1 模型的编码 | 第31-32页 |
| 4.1.2 结构学习和参数学习 | 第32页 |
| 4.1.3 交叉和变异算子 | 第32-33页 |
| 4.1.4 基于非支配排序的选择算子 | 第33-34页 |
| 4.2 可解释模型规则提取 | 第34-35页 |
| 4.3 癌症诊断模型的知识管理 | 第35-37页 |
| 5 实验及分析 | 第37-43页 |
| 5.1 数据描述及实验设计 | 第37页 |
| 5.1.1 数据描述 | 第37页 |
| 5.1.2 实验设计 | 第37页 |
| 5.2 癌症诊断模型选择和规则提取实验 | 第37-42页 |
| 5.2.1 考虑单方面偏好的癌症诊断模型 | 第39-41页 |
| 5.2.2 均衡考虑准确性和可解释性的癌症诊断模型 | 第41-42页 |
| 5.3 癌症诊断模型的知识管理 | 第42-43页 |
| 结论 | 第43-45页 |
| 参考文献 | 第45-50页 |
| 附录A 前列腺癌全部检查指标分布情况 | 第50-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54-56页 |