| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 1 绪论 | 第11-19页 |
| ·问题的提出及研究意义 | 第11-14页 |
| ·问题的提出 | 第11-14页 |
| ·研究的意义 | 第14页 |
| ·国内外研究现状 | 第14-17页 |
| ·计算机辅助癌症诊断的现状 | 第14-17页 |
| ·本文研究的目的和研究内容 | 第17-19页 |
| ·本文研究的目的 | 第17页 |
| ·本文研究的主要内容 | 第17-19页 |
| 2 特征向量的提取和选择 | 第19-35页 |
| ·引言 | 第19页 |
| ·特征提取 | 第19-23页 |
| ·图片的预处理及特征提取 | 第20-23页 |
| ·其它特征 | 第23页 |
| ·特征选择 | 第23-31页 |
| ·特征的归一化 | 第23-24页 |
| ·过滤式特征选择 | 第24-27页 |
| ·Wrapper 特征选择 | 第27-31页 |
| ·其他常用特征选择方法 | 第31页 |
| ·过滤式和Wrapper 特征选择的性能分析 | 第31页 |
| ·特征评价 | 第31-33页 |
| ·本章小结 | 第33-35页 |
| 3 常用分类器 | 第35-45页 |
| ·贝叶斯分类器 | 第35-37页 |
| ·朴素贝叶斯分类器 | 第35-36页 |
| ·TANC 贝叶斯分类器 | 第36-37页 |
| ·选择性无限贝叶斯分类器 | 第37页 |
| ·K -近邻分类器 | 第37-39页 |
| ·K-NN | 第38页 |
| ·Kernel K-NN | 第38-39页 |
| ·决策树分类器 | 第39-41页 |
| ·概率神经网络 | 第41页 |
| ·人工神经网络 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 4 统计学习理论与支持向量机 | 第45-61页 |
| ·统计学习理论 | 第45-48页 |
| ·经验风险最小化原则及其不足 | 第45-46页 |
| ·统计学习理论的主要思想 | 第46-48页 |
| ·支持向量机简介 | 第48-49页 |
| ·支持向量机分类原理 | 第49-53页 |
| ·线性可分情形 | 第49-51页 |
| ·非线性可分情形 | 第51-52页 |
| ·核函数 | 第52-53页 |
| ·常见支持向量机 | 第53-56页 |
| ·单类支持向量机 | 第53-54页 |
| ·多类支持向量机 | 第54-55页 |
| ·最小二乘支持向量机 | 第55-56页 |
| ·支持向量机的应用 | 第56-59页 |
| ·支持向量机用于文本分类 | 第56-57页 |
| ·支持向量机用于图像识别 | 第57页 |
| ·支持向量机用于工业生产领域 | 第57-58页 |
| ·支持向量机用于语音识别 | 第58页 |
| ·支持向量机在生物、医学中的应用 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 5 基于支持向量机的辅助癌症诊断 | 第61-77页 |
| ·利用人体血液中6 种元素浓度进行癌症辅助诊断 | 第61-69页 |
| ·实验一 | 第61-64页 |
| ·实验二 | 第64-69页 |
| ·结果及讨论 | 第69页 |
| ·利用细针活检数据进行乳腺癌辅助诊断 | 第69-75页 |
| ·实验一 | 第71-73页 |
| ·实验二 | 第73-74页 |
| ·结果及讨论 | 第74-75页 |
| ·本章小结 | 第75-77页 |
| 6 基于支持向量机的乳腺癌预后状态预测 | 第77-85页 |
| ·支持向量机用于乳腺癌预后状态预测 | 第77-83页 |
| ·实验一 | 第77-79页 |
| ·实验二 | 第79-82页 |
| ·结果及讨论 | 第82-83页 |
| ·本章小结 | 第83-85页 |
| 7 结论与展望 | 第85-87页 |
| ·主要结论 | 第85页 |
| ·后续研究工作的展望 | 第85-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-101页 |
| 附录 | 第101-102页 |
| 附录A 作者在攻读硕士学位期间发表的论文目录 | 第101-102页 |
| 附录B 作者在攻读硕士学位期间参加的科研项目及获奖情况 | 第102页 |