一、专家系统及其在医疗诊断中的应用（论文文献综述）
刘通[1]（2020）在《智能优化极限学习机方法研究及在疾病诊断中的应用》文中提出当今,在人们生产生活的各个方面、各个领域,人工智能的影子无处不在,人工智能正在逐步改变我们的生产方式和生活习惯。机器学习是人工智能的主要分支,它能从数据中自动挖掘学习模式,从而帮助人们作出更加科学、客观的决策,降低人为决策的失误率。医学疾病智能诊断是机器学习方法的重要应用场景,构建强大、高效、适用的智能决策模型,为疾病诊断提供科学合理的辅助决策,意义重大。本文围绕多种疾病诊断问题开展机器学习方法的研究,为皮肤病、胸腔积液和肾结石等疾病的辅助诊断构造智能诊断模型,提供决策参考。本文重点研究了极限学习机和核极限学习机等机器学习方法,在此基础上深入分析如何改进现有方法,使其在疾病诊断中达到更好的预测效果。对此,本文分别提出了基于分散觅食正余弦算法的极限学习机皮肤病诊断模型、基于混沌差分进化樽海鞘算法的极限学习机胸腔积液诊断模型、以及基于精英混沌黏菌算法的核极限学习机肾结石诊断模型。本文的主要研究内容如下:（1）对基于机器学习的相关疾病诊断和基于智能优化方法的极限学习机的研究现状进行了阐述,对现有研究存在的不足进行了分析,对本文的研究工作进行了设想规划。同时,简要介绍了常用的机器学习方法和智能优化算法,重点对极限学习机方法、核极限学习机方法和正余弦优化算法、樽海鞘优化算法、黏菌优化算法进行了阐述。这些相关知识作为理论支撑,为本文后续的工作提供了理论依据。（2）为了提高皮肤病诊断的准确率,建立一种基于分散觅食正余弦优化算法的极限学习机模型（DFSSCA-ELM）来对红斑鳞状皮肤疾病进行诊断。首先通过引入分散觅食机制提出一种基于分散觅食的正余弦优化算法（DFSSCA）,采用CEC2017基准函数测试集评估该算法的优化性能,并且将该算法与8种性能优越的群智能算法进行对比分析;然后基于DFSSCA方法,对极限学习机的权值和阈值进行优化,从而提出一种新的DFSSCA-ELM预测模型,采用该模型对红斑鳞状皮肤病进行诊断预测,同时与5种机器学习模型进行对比研究,采用评估指标来衡量模型的整体性能。实验结果表明,DFSSCAELM模型在评估指标上实现了明显的提升,表明分散觅食机制能够有效地提高模型的预测能力。（3）为了提高胸腔积液诊断的准确率,本文基于混沌差分进化樽海鞘算法提出一种改进的极限学习机模型（CDESSA-ELM）来对胸腔积液进行诊断。混沌初始化机制和差分进化机制分别被用于提升樽海鞘算法的全局搜索能力和局部搜索能力,形成了改进的樽海鞘算法（CDESSA）。首先采用CEC2014函数测试集评估CDESSA的优化性能,并且将其与7种经过改进的群智能算法进行对比分析;然后采用CDESSA算法来优化极限学习机模型的参数,从而提出一种新的CDESSA-ELM预测模型,采用该模型对胸腔积液疾病诊断进行预测,同时将该模型与4种机器学习模型开展对比研究,并通过评估指标来衡量模型的整体性能。实验结果表明,CDESSA-ELM模型在所有的评估指标上都实现了明显的提升,表明混沌初始机制和差分进化机制能够有效地提高模型的预测能力。（4）为了提高肾结石诊断的准确率,建立一种基于精英混沌黏菌算法的核极限学习机模型（ECSMA-KELM）对肾结石疾病进行诊断。首先通过结合精英机制和混沌机制提出一种改进的黏菌优化算法（ECSMA）,使得全局搜索能力和局部搜索能力达到一种比较稳定的状态,采用23个基准函数和CEC2014函数测试集中的8个复合函数对ECSMA算法的优化性能进行了评估,并且将其与12种经过改进的群智能算法进行对比分析;然后,基于ECSMA算法对KELM的关键参数进行了优化,构建了一种最优的ECSMA-KELM模型对肾结石进行诊断,同时将该模型与5种机器学习模型开展对比研究。实验结果表明,ECSMA-KELM模型在所有的评估指标上都实现了明显的提升,这表明精英机制和混沌机制能够有效地提高模型的预测能力。
吕佳学[2]（2020）在《自动化医疗诊断算法解释规则研究》文中进行了进一步梳理自动化医疗诊断因效率高、节约成本、平衡资源等优点,成为当前人工智能发展的重点领域。在2020年全球范围的新冠肺炎防疫中,自动化医疗诊断的优势得以体现。自动化医疗诊断的算法逐渐从由研发人员的事先设定程序,发展为自我的深度学习。但发展过程中带来的误诊、算法不透明、算法歧视等问题,使算法解释存在必要性。当自动化决策相对人请求算法解释时,就会引发医疗敏感数据泄漏,侵犯商业秘密等问题。那么自动化医疗诊断领域如何对算法解释进行规定,是当前亟待研究的问题。我国对于自动化医疗诊断算法解释规则的建立,有一定的立法基础,从《中华人民共和国宪法》《中华人民共和国民法典》《网络安全法》中可获得相关的法律条文,行业中的规范性文件也给出了指导意见,要求对算法信息进行披露,加强医疗数据管理。但这些规则对自动化医疗诊断的算法解释也只是提及,仍存在缺乏针对性并覆盖面不广的问题,使法律救济存在困难。而欧盟则采取统一立法,统一标准,各成员国和地区也可在欧盟立法下制定本国内有针对性的行业保护规则。GDPR对算法解释权的构建,在算法决策时代起到了缓解算法解释和研发者之间的矛盾的作用。欧盟在整体指导下,构建算法治理框架,并监督算法研发者遵守数据保护,促进医疗数据的开发利用。美国则启动人工智能计划,更侧重于行业自律,对自动化影像诊断算法已有了相对成熟的制度规范。并且美国采取高强度的医疗数据隐私防护,加大惩罚力度。不断构建完善人工智能医疗设备的监管框架,并总结经验和风险以保证算法实施的安全性和公平性。我国应在保持自动化医疗诊断领先的前提下,学习欧盟自动化医疗诊断算法解释规则的高标准严要求,借鉴美国规则制定的灵活性。致力于解决规则内容分散、适用性不强、力度不强等问题。对算法解释过程中涉及的敏感数据泄漏,建立统一的有针对性的规则和部门。并把握好算法解释的“度”,不过分披露算法信息,在算法解释与保护商业秘密和他人敏感数据中寻求平衡点,从而达到算法相对人、使用者和研发者之间的信息对称。
李藤[3]（2020）在《模糊粗糙集决策方法及其在医疗领域的应用》文中进行了进一步梳理基于海量复杂数据的医疗诊断问题是人工智能和医疗领域的难点。传统的决策方法面向的是小规模数据,而在大样本、多属性数据上,传统决策方法无法使用。同时,现有机器学习分类算法难以高效、准确地做出决策。基于模糊粗糙集的决策方法综合了粗糙集和模糊集的优势,能够很好的处理不确定、不完备数据,在智能决策中得到广泛使用。因此,本文在模糊粗糙集理论基础上,先研究面向医疗大规模数据的特征选择方法,进而在属性压缩后的数据上进行决策规则提取。针对属性维度高、样本对象少的基因数据,在模糊粗糙集理论基础上,提出了模糊区分矩阵属性约简方法,并设计了相应的启发式算法（FDM）。模糊区分矩阵是区分矩阵的模糊化推广,能够体现不同属性对于对象之间区分程度的差异,将区分程度更高的属性优先挑选出来,从而提高分类学习算法的性能。在结直肠癌基因数据上,FDM算法从2000个基因中,高效地筛选出了 5个与结直肠癌发病的关键基因,分类精度由74.17%提升到88.06%。针对样本规模大的临床诊疗数据,在模糊覆盖粗糙集理论上,提出了模糊相关族特征选择方法,并设计了相应的启发式算法（FRF）。数值实验过程中,与现有的三种代表性属性约简算法相比,FRF算法在7个公开数据集上的最大平均运行时间从2858.77秒压缩到29.21秒,并保持了较高的分类精度。在甲状腺疾病诊断数据上,用时45.9秒便筛选出了甲状腺疾病诊断的相关指标,分类精度由93.37%提升到 96.69%。本文提出的模糊区分矩阵和模糊相关族属性约简方法,能高效地提取关键诊疗指标,改善数据质量,并提高智能诊断的准确率,有望辅助医生进行临床诊断。
王莹[4]（2020）在《基于粗糙集的工程项目安全管理的多属性群决策方法》文中研究说明工程项目的施工阶段一直是安全事故的高发阶段。安全事故的发生不仅使群众的生命安全和国家财产遭到巨大损失,还会给企业和建筑行业的发展带来负面影响。甚至,对于社会稳定和国民经济的发展都造成了极大的威胁。加强对工程项目安全管理的研究有着十分重要的意义。当前,企业如何有效的控制和降低施工安全事故的发生已成为全社会关注的重点。本文将粗糙集知识应用于安全管理中的多属性群决策问题进行研究。在对相关文献进行整理综述的基础上,针对工程项目中安全管理方面中多属性群决策问题进行了具体研究,提出了不同决策情景下的决策方法。首先,从粗糙集的角度对安全管理评价模型进行分析,建立了基于概率模糊粗糙集与MULTIMOORA方法的多属性群决策方法。之后,以突发安全事故后的应急医疗诊断为问题为研究框架,构建了基于BWM与MULTIMOORA方法的多粒度层次的序贯三支决策的多属性群决策方法。最后,以某一施工现场的安全管理评价与安全事故发生后的应急处理为案例,验证了方法的合理性、可行性和有效性。考虑到工程施工现场的安全管理情况存在使用语言信息进行描述的情况,本文提出了一种基于多粒度概率粗糙集和MULTIMOORA方法的具有语言偏好关系的安全管理评价方法。首先,基于经典的Pawlak粗糙集和邻域粗糙集,本文提出了一种基于邻域关系和语言偏好信息的多粒度概率模糊粗糙集。此时,本文在具有语言偏好信息的多粒度粗糙集理论框架下研究了一个清晰决策对象和一个模糊决策对象的粗糙近似。即,分别建立了基于-邻域关系的多粒度概率粗糙集模型和多粒度概率模糊粗糙集模型。同时,本文给出这两个模型的一般性定理和结论。之后,将本文提出的多粒度概率模糊集模型与现有的多粒度粗糙集模型进行比较,验证了新模型的合理性与可行性。结合多粒度概率模糊粗糙集和MULTIMOORA方法,本文提出了一种基于语言偏好信息的多属性群决策方法。最后,通过对某一施工现场的安全管理状况进行评价,验证了方法的可行性和有效性。考虑到工程项目施工场地可能发生的安全事故,本文对安全事故发生后的紧急医疗诊断进行研究,建立了基于BWM的不同粒度层次上的序贯三支决策方法。首先,使用BWM对医疗诊断的相关属性指标进行预处理,从而确定了各个属性粒度之间的粗细关系。然后,在确定的粒度顺序上逐次进行三支决策。在三支决策的过程中,计算每一粒度层次上的决策结果代价与决策过程代价进行辅助决策。这就构建了具有代价敏感关系的多粒度层次的序贯三支决策模型。其次,根据建立的基于BWM的多粒度序贯三支决策模型,我们提出这一多属性群决策模型的决策程序和算法。同时,为了得到一个最终的治疗顺序,使用MULTIMOORA方法对分类后的备选方案进行排序。最后,使用了一个紧急诊疗的案例验证了模型的合理性和有效性。本文在对工程项目中的安全管理评价、多属性决策方法在工程项目中的应用以及粗糙集理论等相关研究分析总结的基础上,针对工程项目中安全管理相关的问题进行了较为深入的研究,建立了基于粗糙集的安全管理评价方法,改进了现有的工程项目中的安全管理评价方法与应急处理方案。此外,本文的研究成果不仅更好的解决了存在的多属性群决策问题,同时丰富了相应的多属性群决策理论知识,并进一步拓展了经典粗糙集的相关内容。
甘丹[5]（2020）在《面向多模态数据的医疗与健康决策支持研究》文中指出医疗数据应用对全民健康的发展产生巨大影响,如何从多模态数据中挖掘出有用的知识,为临床诊断和患者择医提供决策支持,是医疗数据应用面临的重大挑战。本文使用机器学习和深度学习方法解决了医疗数据应用中不平衡数据导致误判/漏判造成决策损失问题、多属性冗余导致难以获取核心特征问题、非结构化文本数据产生知识粒度精细化和推理能力泛化之间的矛盾问题、以及医学图像数据小样本、少（无）标注影响深度网络推理效率问题。主要研究成果如下:（1）面向不平衡数据的医疗智能诊断分类决策,本文提出基于代价敏感集成学习Ada C-TANBN算法;采用由样本分布概率确定的可变错误分类成本表示正负样本错误分类代价,然后使用不平衡医疗数据集对模型性能进行验证,结果表明其在分类准确度、特异度、灵敏度、AUC值和ROC曲线等方面要优于其它同类优秀算法。（2）面向多属性数据的医疗智能诊断分类决策,本文提出基于混合启发式GA-MLP算法;采用GA算法对属性权重进行优化,与对应属性组合作为新的输入,然后寻找MLP的最优参数组合进行分类,再使用医疗多属性数据集对模型性能进行验证,结果表明其在分类准确度、特异度、灵敏度、AUC值、ROC曲线和epoch值等方面要优于其它对比算法。（3）面向文本数据的医疗评论情感分类决策,本文提出基于互信息特征权重的半监督学习算法;使用台湾大学NTUSD简体中文情感词典对爬取的医疗文本评论进行分词处理形成语料库,从属性粒度入手,建立基于互信息特征权重的半监督学习模型,最后使用语料库数据集对模型性能进行验证,结果表明其在医疗评论文本情感极性分类上具有良好性能。（4）面向图像数据的医疗智能诊断分类决策,本文提出基于图像增强和迁移学习的卷积神经网络算法;采用亮度变暗处理+添加高斯噪声进行图像增强,然后使用Le Net网络、Alex Net网络和Res Net网络对增强后的图像迁移学习,最后使用基于不同成像原理的医学图像数据集对模型性能进行验证,结果表明Alex Net网络在分类准确度、Loss损失值和运算时间方面具有良好性能。
彭伟姝[6]（2019）在《几类拓广犹豫模糊集的相关系数及其应用》文中提出由于很多内部和外部因素的影响,因此在决策过程中决策者如果仅仅利用犹豫模糊集,则很难做出合理且准确的判断.为了处理这种情况,近年来很多学者致力于研究一些拓广犹豫模糊集理论,并且将这些理论应用于医疗诊断,人事评估,信息检索等诸多领域.本文的主要研究对象为几类拓广的犹豫模糊集.主要研究内容和创新性工作如下:第一章本章介绍了本文的选题背景,几类拓广犹豫模糊集的历史背景、研究现状和相关概念.第二章本章提出了扩张犹豫模糊元的平均值和方差,并且给出了扩张犹豫模糊集的相关系数以及加权相关系数,最后将其应用于医疗诊断的实际应用中.第三章本章提出了离散型和连续型概率犹豫模糊集的相关系数,并且定义了概率犹豫模糊元的信息能量,数学期望和方差的概念.最后将其应用于交通安全管理的实际应用中.第四章本章提出了一种新的语言犹豫模糊集的相关系数和加权相关系数,并给出了它们的一些基本性质.最后通过一个实例证明了其可靠性.第五章本章提出了概率语言犹豫模糊集的概念,定义了它的一些基本运算法则、比较方法、集结算子和最佳理想点法,并将其应用于大学教师评估的实际应用中.
常丹[7]（2019）在《数据挖掘算法在心脏病医疗诊断系统中的应用研究》文中提出心脏病是一种十分常见的高发性疾病,主要的疾病类型有风湿性心脏病、先天性心脏病、高血压心脏病、心肌炎、冠心病等,心脏病已经成为导致人类死亡的主要因素之一。现在心脏病的病发率普遍的年轻化趋势不由得引起医学研究的重视。由于心脏病的病理种类十分繁多、影响其变化因素也是多种多样,如何能提高心脏病的医疗诊断,并对其进行更早的干预与治疗是急需解决的问题。随着心脏病医疗诊断系统的研究越来越受到各界人士的广泛关注,对于心脏病的研究也成为各个学科交叉研究的热门研究领域。通过对各方面的资料了解,基于数据挖机技术的数据挖掘算法中的分类算法对于心脏病医疗诊断系统的研究众多,主要集中在神经网络算法、支持向量机算法等。论文在这两种算法的基础上增加了决策树算法与其相对比,参考三种经典分类算法的优劣,提出优化的分类算法Co-Svm。基于在数据挖掘算法建立心脏病诊断分类器,旨在心脏病诊断问题上,探究这四种算法究竟哪一种更加适用,并进行优化。对心脏病的病因、影响因素及获取的数据进行简要的说明,由此可知数据的准确性与科学性,进一步提升了创建心脏病临床诊断模型的真实性与可靠性。进行数字化的数据信息处理、针对四种不同数据的有效挖掘、拓展参数计算的方式和现代化的集成方式有效获取的分类方法,通过权威的临床医学的有效评估甄选出最佳疗效的心脏病临床诊断分类工具。本论文中所用的到的实验验证的数据源是加州大学-欧文分校（University of Californialrvine）的机器学习数据库中的Heart Disease心脏病临床数据集,分别对决策树算法、神经网络算法、支持向量机算法和Co-SVM算法建立心脏病诊断分类器,通过实验对比分析,根据所得结果对比选择出最优的分类算法Co-SVM算法。实验结果显示所提出的Co-SVM算法相对于其他三种经典算法有更高的准确率,并且通过算法多种的评估结果验证了Co-SVM算法的有效性。通过对Co-SVM算法在医疗诊断系统中应用,有助于辅助医生对病情进行更加准确、精准的诊断。
欧明望[8]（2019）在《基于神经网络的智能医疗诊断研究》文中研究表明随着社会发展越来越快,人们的生活节奏也紧随着社会的变化而变化。与此同时,人们对医疗健康问题的关注也随之递增。我国当前医疗问题主要为“医疗资源不平衡”,“看病难”,“看病贵”,“医疗误诊率高”等等,这些问题一直是我国医疗界的难题。随着信息技术地快速发展和进步,人工智能、云计算和互联网等新兴信息技术给人们带来了解决医疗难题的新思路。因此,数字医疗的概念已经得到了越来越多人的认可,其中医疗诊断是数字医疗的核心问题之一。医疗诊断的准确率及效率,与人们的生命健康息息相关,是一个不容忽视的重要问题。将信息科技运用于医疗诊断中,因此显得意义重大。本论文将多种神经网络模型应用到医疗诊断中,包括全连接神经网络,卷积神经网络。通过获取的医疗数据,运用jieba分词工具和当前流行的数据预处理技术,对错综复杂的医疗数据进行整理,并使用pandas或Word2Vec等工具将医疗数据对中文数据进行量化处理,将数据转换成one-hot二元变量或是稠密向量等计算机算法可识别格式。利用量化后的数据,训练全连接神经网络模型,卷积神经网络模型和Word2Vec+卷积神经网络模型,最后对比三个模型的医疗诊断准确率,同时与决策树模型进行比较和分析,并将准确率最高的模型部署到基于智能医疗诊断的医疗综合服务系统中。经过数据预处理得到量化数据,模型训练,最终结果显示Word2Vec+卷积神经网络的准确率高于其他模型,约为89%。基于神经网络的智能医疗诊断系统还有许多方面有待完善,例如预测准确率的提升,症状关联性改进,数据预处理方法等等,未来将从上述几个方面着手,进行更深入地探索。
刘原园[9]（2019）在《基于模糊语言集的多属性决策及其应用研究》文中指出在多属性决策问题中,由于环境的复杂性和人们主观认识的模糊性,决策者很难用精确的数值对问题进行评价,这时人们常用语言值代替数值来进行评价,即我们所说的模糊语言多属性决策,其已成为多属性决策中的一个重点研究内容。本文主要考虑了基于犹豫模糊语言集、Fermatean模糊语言集和语言q阶正交模糊集的多属性决策,并将对应的多属性决策方法应用到实际决策问题中,主要内容如下:第一章:对模糊语言集理论、TOPSIS方法等研究现状做了简单的回顾,并介绍了本文的主要内容和结构安排。第二章:对本文所用到的决策理论、模糊语言集、语言尺度函数和TOPSIS方法等相关知识进行了介绍。第三章:首先基于语言尺度函数定义了犹豫模糊语言集的余弦相似度和欧几里得距离,进一步利用定义的余弦相似测度和欧几里得距离构造了一种新的犹豫模糊语言集的相似测度,并证明了其满足相似性测度公理。其次,根据相似性测度和距离测度之间的关系,得到了犹豫模糊语言集的相应距离测度,并在其基础上提出了犹豫模糊语言集的TOPSIS多属性决策方法。最后,运用数值实例验证了该方法的可行性,并与已有方法比较验证其有效性。第四章:基于语言尺度函数定义了Fermatean模糊语言的余弦相似性测度和欧几里得距离,在此基础上,提出了构造相似性测度的新方法,它不仅包含余弦相似度和欧几里得距离,还满足相似性测度公理。其次,根据相似性测度和距离测度之间的关系,得到了Fermatean模糊语言集的相应距离测度,并将其应用到TOPSIS方法中,给出了Fermatean模糊语言环境下的TOPSIS多属性决策方法。最后,为验证该方法的有效性,与已有方法对同一实例的排序结果进行了比较分析。第五章:基于语言尺度函数定义了语言q阶正交模糊集的相关运算法则,并在定义的运算法则基础上给出了语言q阶正交模糊加权平均算子和语言q阶正交模糊加权几何算子,进一步定义了基于语言尺度函数语言q阶正交模糊集的闵可夫斯基距离测度,并在其基础上提出了语言q阶正交模糊集的TOPSIS多属性决策方法。最后,以研究生入学质量评价为例验证了该方法的可行性,也与已有方法比较验证了该方法的有效性。第六章:对全文进行了总结,并给出进一步的研究方向。
黄冠翎[10]（2019）在《CatBoost算法在乳腺肿瘤诊断研究中的应用》文中研究表明近年来,乳腺癌引发的死亡已经持续成为女性死亡原因的前几名,而且,乳腺癌的患病人群也越来越年轻化。因此,乳腺癌的诊断与治疗已经成为医学研究的重中之重。乳腺癌诊断情况复杂、影响因素多样,如何提高乳腺癌的诊断效率已经成为急需解决的问题。针对上述情况,论文以UCI机器学习数据库中569例乳腺癌数据集为研究对象,分别采用支持向量机算法、随机森林算法、XGBoost算法和CatBoost算法建立乳腺肿瘤诊断分类器,并对研究结果进行对比分析,找到最优分类器。经过对决策树进行集成优化的XGBoost算法和CatBoost算法都有着很好的分类效果,CatBoost算法的准确率更是达到了 99%,进一步提高了分类器的分类性能,从而有助于帮助医生对病情进行更加精准的诊断。论文的主要内容如下:（1）充分理解乳腺癌的临床诊断指标,选取合适的属性作为本次数据挖掘的研究对象,建立乳腺癌数据集。比较分析不同的数据挖掘算法在乳腺肿瘤数据集上的不同效果,从中找出最有效的方法。（2）参考大量文献资料,寻求适用于乳腺肿瘤数据的分类算法,并介绍了所选取的SVM算法、随机森林算法、XGBoost算法和CatBoost算法;（3）将SVM算法、随机森林算法、XGBoost算法和CatBoost算法用于Python软件对数据集进行模拟试验,分析对比算法的优劣性;（4）对所建立的诊断分类器进行评估分析对比,找出最优分类器;（5）检验CatBoost模型的可行性,使用心脏病数据集验证CatBoost的优势性。实施的实验结果表明,经过对四种算法进行参数优化建立模型,得到的诊断分类器中Catboost分类器性能最优,其分类准确率为99.4%,支持向量机分类器、随机森林分类器和XGBoost分类器的分类准确率分别为94.7%、95.3%、96.5%。而使用Boosting算法进行集成优化后的XGBoost算法和CatBoost算法都优于单个的支持向量机算法和随机森林算法,集成算法的AUC值上升了 1%～4%。
二、专家系统及其在医疗诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、专家系统及其在医疗诊断中的应用（论文提纲范文）
（1）智能优化极限学习机方法研究及在疾病诊断中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基于机器学习的疾病诊断研究 |
| 1.2.2 基于智能优化方法的极限学习机研究 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关知识介绍 |
| 2.1 机器学习 |
| 2.1.1 极限学习机(ELM) |
| 2.1.2 核极限学习机(KELM) |
| 2.2 智能优化方法 |
| 2.2.1 正余弦算法(SCA) |
| 2.2.2 樽海鞘算法(SSA) |
| 2.2.3 黏菌算法(SMA) |
| 2.3 分类器性能评价指标 |
| 2.4 本章小结 |
| 第3章 基于分散觅食正余弦算法的极限学习机方法及在皮肤病诊断中的应用 |
| 3.1 基于分散觅食机制的正余弦算法(DFSSCA) |
| 3.1.1 分散觅食策略(DFS) |
| 3.1.2 DFSSCA算法的实现 |
| 3.1.3 DFSSCA算法的时间复杂度 |
| 3.2 基于分散觅食正余弦的极限学习机(DFSSCA-ELM)皮肤病诊断模型 |
| 3.3 关于DFSSCA算法的函数优化实验研究 |
| 3.3.1 测试函数 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果与分析 |
| 3.3.3.1 算法性能对比分析 |
| 3.3.3.2 算法收敛性对比分析 |
| 3.3.3.3 CPU时间对比分析 |
| 3.4 关于DFSSCA-ELM模型的皮肤病诊断实验研究 |
| 3.4.1 数据准备 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果与分析 |
| 3.4.3.1 激活函数的选择 |
| 3.4.3.2 模型性能对比分析 |
| 3.4.3.3 模型收敛性对比分析 |
| 3.5 本章小结 |
| 第4章 基于混沌差分进化樽海鞘算法的极限学习机方法及在胸腔积液诊断中的应用 |
| 4.1 基于混沌差分进化的樽海鞘算法(CDESSA) |
| 4.1.1 混沌初始化机制 |
| 4.1.2 差分进化机制 |
| 4.1.3 CDESSA算法的实现 |
| 4.1.4 CDESSA算法的时间复杂度 |
| 4.2 基于混沌差分进化樽海鞘的极限学习机(CDESSA-ELM)胸腔积液诊断模型 |
| 4.3 关于CDESSA算法的函数优化实验研究 |
| 4.3.1 测试函数 |
| 4.3.2 实验设置 |
| 4.3.3 实验结果与分析 |
| 4.3.3.1 混沌初始化和差分进化机制的影响 |
| 4.3.3.2 CDESSA及 SSA的多样性和平衡性分析 |
| 4.3.3.3 算法性能对比分析 |
| 4.3.3.4 CPU时间对比分析 |
| 4.3.3.5 算法收敛性对比分析 |
| 4.4 关于CDESSA-ELM模型的胸腔积液诊断实验研究 |
| 4.4.1 数据准备 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果与分析 |
| 4.4.3.1 模型性能对比分析 |
| 4.4.3.2 模型收敛性对比分析 |
| 4.5 本章小结 |
| 第5章 基于精英混沌黏菌算法的核极限学习机方法及在肾结石诊断中的应用 |
| 5.1 精英混沌黏菌算法(ECSMA) |
| 5.1.1 精英策略 |
| 5.1.2 混沌随机策略 |
| 5.1.3 ECSMA算法的实现 |
| 5.1.4 ECSMA算法的时间复杂度 |
| 5.2 基于精英混沌黏菌优化的核极限学习机(ECSMA-KELM)肾结石诊断模型 |
| 5.3 关于ECSMA算法的函数优化实验研究 |
| 5.3.1 测试函数 |
| 5.3.2 实验设置 |
| 5.3.3 实验结果与分析 |
| 5.3.3.1 精英策略和混沌随机策略的影响 |
| 5.3.3.2 ECSMA及 SMA的平衡性和多样性分析 |
| 5.3.3.3 算法性能对比分析 |
| 5.3.3.4 算法收敛性对比分析 |
| 5.4 关于ECSMA-KELM模型的肾结石诊断实验研究 |
| 5.4.1 数据准备 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.4.3.1 模型性能对比分析 |
| 5.4.3.2 模型收敛性对比分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文内容总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）自动化医疗诊断算法解释规则研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 研究现状与评述 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 对现有研究的评述 |
| 1.3 主要研究内容 |
| 1.4 研究思路与方法 |
| 1.4.1 研究思路 |
| 1.4.2 研究方法 |
| 1.5 创新点与不足 |
| 第2章 自动化医疗诊断及其算法解释的必要性 |
| 2.1 自动化医疗诊断的定义 |
| 2.2 自动化医疗诊断的分类 |
| 2.2.1 基于医学影像的自动化医疗诊断 |
| 2.2.2 基于生理指标的自动化医疗诊断 |
| 2.2.3 基于自动化医疗诊断癌症预测和癌症治疗方案 |
| 2.3 自动化医疗诊断算法的特点 |
| 2.3.1 高效率 |
| 2.3.2 准确率不稳定 |
| 2.4 自动化医疗诊断算法解释的必要性 |
| 2.4.1 自动化医疗诊断算法蕴含误诊风险 |
| 2.4.2 自动化医疗诊断的算法不透明 |
| 2.4.3 自动化医疗诊断算法有引发歧视之虞 |
| 第3章 我国有关自动化医疗诊断算法解释的规定及其局限 |
| 3.1 我国自动化医疗诊断算法解释的相关规定 |
| 3.1.1 自动化医疗诊断算法解释的一般性规定 |
| 3.1.2 自动化医疗诊断算法解释的专门性规定 |
| 3.2 我国有关自动化医疗诊断算法解释的规定的局限 |
| 3.2.1 缺乏针对性 |
| 3.2.2 法律救济困难 |
| 第4章 欧美自动化医疗诊断的算法解释规则及其启示 |
| 4.1 欧盟算法解释的相关规则 |
| 4.1.1 GDPR的算法解释规则 |
| 4.1.2 欧盟自动化医疗诊断算法解释的一般性规定 |
| 4.1.3 欧盟成员国自动化医疗诊断算法解释规则 |
| 4.2 美国算法解释的相关规则 |
| 4.2.1 美国自动化医疗诊断算法解释的一般性规定 |
| 4.2.2 美国自动化医疗诊断算法解释的专门性规定 |
| 4.3 欧美自动化医疗诊断算法解释规则对我国的启示 |
| 4.3.1 欧盟算法解释规则高标准严要求 |
| 4.3.2 美国算法解释规则加强行业规范 |
| 第5章 我国自动化医疗诊断算法解释规则的构建 |
| 5.1 构建自动化医疗诊断算法解释规则遵循的原则 |
| 5.2 在专门立法中确立自动化医疗诊断的算法解释规则 |
| 5.3 在行业中确立自动化医疗诊断的算法解释规则 |
| 5.4 对自动化医疗诊断算法进行统一管理 |
| 5.4.1 建立自动化医疗诊断算法机构 |
| 5.4.2 完善自动化医疗诊断算法的数据平台 |
| 结语 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间发表的学术论文与研究成果 |
（3）模糊粗糙集决策方法及其在医疗领域的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向数据的智能决策研究现状 |
| 1.2.2 模糊粗糙集属性约简研究现状 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 2 相关理论背景 |
| 2.1 粗糙集理论 |
| 2.2 模糊粗糙集理论 |
| 3 基于模糊区分矩阵的基因选择方法 |
| 3.1 基因选择概述 |
| 3.2 基于模糊区分矩阵的属性约简方法 |
| 3.2.1 模糊区分矩阵 |
| 3.2.2 基于模糊区分矩阵的属性约简 |
| 3.3 数值实验与分析 |
| 3.3.1 算法设计 |
| 3.3.2 数值实验 |
| 3.4 本章小结 |
| 4 基于模糊相关族的临床诊断指标选择 |
| 4.1 属性约简 |
| 4.2 基于模糊相关族的属性约简方法 |
| 4.2.1 理论基础 |
| 4.2.2 模糊相关族属性约简 |
| 4.2.3 基于决策表的模糊相关族属性约简 |
| 4.3 数值实验 |
| 4.3.1 算法分析 |
| 4.3.2 参数设置 |
| 4.3.3 实验结果描述 |
| 4.4 本章小结 |
| 5 医疗决策实例分析 |
| 5.1 结直肠癌基因选择 |
| 5.1.1 实例描述与数据预处理 |
| 5.1.2 基因选择结果分析 |
| 5.1.3 决策规则提取与建议 |
| 5.2 甲状腺疾病临床诊断指标选择 |
| 5.2.1 甲状腺疾病与实验数据描述 |
| 5.2.2 临床诊断指标筛选结果分析 |
| 5.2.3 甲状腺疾病诊断规则及建议 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间的主要学术成果 |
| 致谢 |
（4）基于粗糙集的工程项目安全管理的多属性群决策方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及目标 |
| 1.2 研究内容 |
| 1.3 技术路线图 |
| 1.4 预备知识 |
| 1.4.1 Pawlak粗糙集与模糊集 |
| 1.4.2 多粒度粗糙集 |
| 1.4.3 决策粗糙集及三支决策 |
| 1.4.4 MULTIMOORA方法 |
| 第二章 国内外研究现状 |
| 2.1 工程项目的安全管理 |
| 2.2 群决策 |
| 2.3 粗糙集理论 |
| 第三章 工程项目安全管理评价的多粒度概率粗糙集方法 |
| 3.1 施工现场安全管理评价的问题描述 |
| 3.2 基于邻域关系的多粒度概率模糊粗糙集模型 |
| 3.3 基于多粒度概率模糊粗糙集与MULTIMOORA方法的决策方法 |
| 3.4 工程项目的安全管理评价 |
| 3.5 本章小结 |
| 第四章 工程项目安全事故应急处理的序贯三支决策方法 |
| 4.1 问题背景与描述 |
| 4.2 基于BWM的序贯三支决策粗糙集模型 |
| 4.3 基于序贯三支决策粗糙集与MULTIMOORA方法的决策方法 |
| 4.4 安全事故后的应急医疗诊断 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）面向多模态数据的医疗与健康决策支持研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容和技术路线 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.2.3 技术路线 |
| 1.3 研究的创新点 |
| 第2章 相关研究与文献综述 |
| 2.1 数据驱动的医疗与健康决策 |
| 2.1.1 医疗与健康决策研究 |
| 2.1.2 多模态医疗与健康数据 |
| 2.2 智能医疗与健康决策的应用 |
| 2.2.1 临床决策支持系统 |
| 2.2.2 医疗语义检索系统 |
| 2.2.3 医疗智能问答系统 |
| 2.3 多模态数据特征提取与融合处理 |
| 2.3.1 多模态数据特征提取 |
| 2.3.2 多模态数据融合推理 |
| 2.3.3 多模态数据处理与深度学习 |
| 2.4 医学图像智能识别及应用 |
| 2.4.1 医学图像分割 |
| 2.4.2 医学图像知识抽取 |
| 2.4.3 医学图像检测与分类 |
| 2.4.4 计算机辅助诊断与图像检索 |
| 2.5 相关研究评述 |
| 第3章 面向不平衡数据的医疗智能诊断分类决策 |
| 3.1 问题描述 |
| 3.2 基于最小错误分类损失的贝叶斯建模 |
| 3.2.1 贝叶斯分类 |
| 3.2.2 错误分类损失 |
| 3.2.3 错误分类的平均损失 |
| 3.2.4 错误分类损失的最小化 |
| 3.3 基于代价敏感集成学习分类算法 |
| 3.3.1 TAN树-贝叶斯分类 |
| 3.3.2 基于代价敏感Ada Boosting算法 |
| 3.3.3 Ada C-TANBN集成学习算法模型 |
| 3.3.4 Ada C-TANBN集成学习算法流程 |
| 3.4 实验设计和结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验评价指标 |
| 3.4.3 实验结果对比 |
| 3.4.4 实验结论 |
| 3.5 本章小结 |
| 第4章 面向多属性数据的医疗智能诊断分类决策 |
| 4.1 问题描述 |
| 4.2 不同分类器结合方式的特征选择 |
| 4.2.1 过滤式特征选择算法 |
| 4.2.2 封装式特征选择算法 |
| 4.2.3 嵌入式特征选择算法 |
| 4.2.4 集成式特征选择算法 |
| 4.2.5 不同特征选择算法的对比 |
| 4.3 常见的几种基分类器 |
| 4.3.1 基于KNN的分类模型 |
| 4.3.2 基于NB的分类模型 |
| 4.3.3 基于SVM的分类模型 |
| 4.4 基于混合启发式算法的分类建模 |
| 4.4.1 基于遗传算法的属性权重优化 |
| 4.4.2 多层感知机分类器 |
| 4.4.3 基于GA-MLP属性权重优化分类模型 |
| 4.5 实验设计和结果分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验评价指标 |
| 4.5.3 实验结果对比 |
| 4.5.4 实验结论 |
| 4.6 本章小结 |
| 第5章 面向文本数据的医疗评论情感分类决策 |
| 5.1 问题描述 |
| 5.2 不同文本粒度的情感分析 |
| 5.2.1 文档级情感分析 |
| 5.2.2 句子级情感分析 |
| 5.2.3 属性级情感分析 |
| 5.3 基于互信息特征权重算法建模 |
| 5.3.1 语料库的知识表示 |
| 5.3.2 特征空间的互信息度量 |
| 5.3.3 相关-冗余系数 |
| 5.3.4 R2C-MIFS特征选择算法流程 |
| 5.3.5 基于互信息的特征权重赋值 |
| 5.3.6 基于互信息特征权重的情感分析 |
| 5.4 实验设计和结果分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验对比方法 |
| 5.4.3 实验评价指标 |
| 5.4.4 实验结果对比 |
| 5.4.5 实验结论 |
| 5.5 本章小结 |
| 第6章 面向图像数据的医疗智能诊断分类决策 |
| 6.1 问题描述 |
| 6.2 卷积神经网络和迁移学习 |
| 6.2.1 卷积神经网络 |
| 6.2.2 迁移学习 |
| 6.3 基于卷积神经网络迁移学习图像分类建模 |
| 6.3.1 基于LeNet网络的图像分类模型 |
| 6.3.2 基于AlexNet网络的图像分类模型 |
| 6.3.3 基于ResNet网络的图像分类模型 |
| 6.4 医学图像增强预处理 |
| 6.4.1 医学图像数据集 |
| 6.4.2 数据集的图像增强预处理 |
| 6.5 实验设计和结果分析 |
| 6.5.1 不同医学图像分类模型的参数设置 |
| 6.5.2 基于KNN的医学图像分类结果 |
| 6.5.3 基于NB的医学图像分类结果 |
| 6.5.4 基于SVM的医学图像分类结果 |
| 6.5.5 基于CNN的医学图像分类结果 |
| 6.5.6 医学图像增强方式和倍数组合的对比 |
| 6.5.7 医学图像不同模型分类结果的对比 |
| 6.5.8 实验结论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究内容总结 |
| 7.2 未来研究方向 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）几类拓广犹豫模糊集的相关系数及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 选题背景 |
| 1.2 国内外在该方向的研究现状及分析 |
| 1.3 主要研究内容及创新点 |
| 第2章 扩张犹豫模糊集的相关系数及其在医疗诊断中的应用 |
| 2.1 预备知识 |
| 2.2 扩张犹豫模糊集的相关系数 |
| 2.3 扩张犹豫模糊集的加权相关系数 |
| 2.4 应用实例 |
| 2.5 本章结论 |
| 第3章 概率犹豫模糊集的相关系数及其在决策中的应用 |
| 3.1 预备知识 |
| 3.2 概率犹豫模糊集的相关系数 |
| 3.3 概率犹豫模糊集的加权相关系数 |
| 3.4 连续型概率犹豫模糊集的相关系数 |
| 3.5 应用实例 |
| 3.6 本章结论 |
| 第4章 语言犹豫模糊集的相关系数及其在决策中的应用 |
| 4.1 预备知识 |
| 4.2 语言犹豫模糊集的相关系数 |
| 4.3 语言犹豫模糊集的加权相关系数 |
| 4.4 语言犹豫模糊集集族的加权相关系数 |
| 4.5 应用实例 |
| 4.6 本章结论 |
| 第5章 概率语言犹豫模糊集及其在多属性决策中的应用 |
| 5.1 预备知识 |
| 5.2 概率语言犹豫模糊集 |
| 5.3 概率语言犹豫模糊环境下的最佳理想点法 |
| 5.4 应用实例 |
| 5.5 本章结论 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 进一步研究方向 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的的研究成果 |
（7）数据挖掘算法在心脏病医疗诊断系统中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容和组织结构 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 1.5 创新点 |
| 第2章 数据挖掘理论与实验软件介绍 |
| 2.1 数据挖掘概述 |
| 2.2 数据挖掘实施方法 |
| 2.3 相关软件介绍 |
| 第3章 心脏病临床数据来源及处理 |
| 3.1 实验数据集来源 |
| 3.2 实验数据预处理 |
| 第4章 数据挖掘算法及建模 |
| 4.1 数据挖掘算法 |
| 4.2 决策树算法 |
| 4.2.1 决策树算法理论 |
| 4.2.2 决策树算法建模 |
| 4.3 神经网络算法 |
| 4.3.1 神经网络算法理论 |
| 4.3.2 神经网络算法建模 |
| 4.4 支持向量机算法 |
| 4.4.1 支持向量机算法理论 |
| 4.4.2 支持向量机算法建模 |
| 4.5 Co-SVM(Cobweb-Svm)算法 |
| 4.5.1 Co-Svm算法理论 |
| 4.5.2 Co-Svm算法建模 |
| 第5章 实验模型对比评估 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介及攻读学位期间获得成果目录清单 |
| 致谢 |
（8）基于神经网络的智能医疗诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 概述 |
| 1.1. 研究背景与意义 |
| 1.2. 课题研究现状 |
| 1.2.1. 我国医疗现状分析 |
| 1.2.2. 医疗诊断技术现状分析 |
| 1.3. 论文主要工作 |
| 2. 智能医疗诊断关键技术研究 |
| 2.1. 监督学习理论 |
| 2.2. 数据预处理技术 |
| 2.2.1. jieba中文分词技术 |
| 2.2.2. 自然出语言处理工具Word2Vec |
| 2.2.3. 二元变量数据类型 |
| 2.3. 神经网络算法研究 |
| 2.3.1. 神经网络简介 |
| 2.3.2. 卷积神经网络 |
| 2.3.3. 神经网络优缺点 |
| 2.4. 决策树算法研究 |
| 3. 医疗诊断系统需求分析 |
| 3.1. 目的与意义 |
| 3.2. 可行性分析 |
| 3.2.1. 算法可行性分析 |
| 3.2.2. 系统可行性分析 |
| 3.2.3. 经济可行性分析 |
| 3.3. 目标人群 |
| 3.3.1. 专业医生 |
| 3.3.2. 健康保健 |
| 3.3.3. 工作繁忙 |
| 3.3.4. 小病小治 |
| 3.3.5. 隐私保护 |
| 3.4. 系统特点 |
| 3.5. 系统功能性需求分析 |
| 3.5.1. 智能诊断 |
| 3.5.2. 疾病百科 |
| 3.5.3. 应急手册 |
| 3.6. 系统非功能性需求分析 |
| 3.6.1. 性能需求 |
| 3.6.2. 安全性和完整性需求 |
| 3.6.3. 系统设计遵循的标准和规范 |
| 4. 医疗诊断算法设计与分析 |
| 4.1. 解决问题 |
| 4.2. 数据预处理 |
| 4.2.1. 数据来源 |
| 4.2.2. 数据处理 |
| 4.2.3. 数据转换 |
| 4.2.4. 数据汇总 |
| 4.3. 模型算法设计 |
| 4.3.1. 全连接神经网络算法设计 |
| 4.3.2. 卷积神经网络算法设计 |
| 4.3.3. Word2vec模型与卷积神经网络算法设计 |
| 4.3.4. 模型评估 |
| 4.3.5. 实验结果分析 |
| 4.4. 本章小结 |
| 5. 智能医疗诊断系统的设计与实现 |
| 5.1. 解决问题 |
| 5.2. 系统设计原则 |
| 5.3. 系统模块设计 |
| 5.3.1. 系统模块数据流 |
| 5.3.2. 智能诊断模块 |
| 5.3.3. 疾病百科模块 |
| 5.3.4. 应急手册模块 |
| 5.4. 系统开发环境 |
| 5.5. 系统前端实现 |
| 5.5.1. 智能诊断模块前端实现 |
| 5.5.2. 疾病百科模块前端实现 |
| 5.5.3. 应急手册模块前端实现 |
| 5.6. 系统后端实现 |
| 5.6.1. 智能诊断模块后端实现 |
| 5.6.2. 疾病百科模块后端实现 |
| 5.6.3. 应急手册模块后端实现 |
| 5.7. 系统并发处理方案 |
| 5.8. 服务器压力测试 |
| 5.9. 系统功能测试 |
| 5.9.1. 智能诊断模块 |
| 5.9.2. 疾病百科模块 |
| 5.9.3. 应急手册模块 |
| 5.10. 本章小结 |
| 6. 总结与展望 |
| 6.1. 工作总结 |
| 6.2. 不足与展望 |
| 本论文研究成果 |
| 参考文献 |
| 致谢 |
（9）基于模糊语言集的多属性决策及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 文献综述 |
| 1.3.1 模糊语言集理论研究现状 |
| 1.3.2 TOPSIS方法研究现状 |
| 1.4 研究内容及结构 |
| 1.5 本文的创新点 |
| 第二章 理论基础 |
| 2.1 决策理论 |
| 2.1.1 模糊语言决策 |
| 2.1.2 多属性决策分析 |
| 2.2 模糊语言集理论 |
| 2.2.1 语言集 |
| 2.2.2 犹豫模糊语言集 |
| 2.2.3 Fermatean模糊语言集 |
| 2.2.4 语言q阶正交模糊集 |
| 2.3 语言尺度函数 |
| 2.4 TOPSIS方法 |
| 第三章 基于语言尺度函数犹豫模糊语言集的多属性决策 |
| 3.1 犹豫模糊语言集相似性测度的创新构建 |
| 3.1.1 犹豫模糊语言集相似度研究现状分析 |
| 3.1.2 相似性测度的创新构建 |
| 3.2 相似性测度在医疗诊断中的应用 |
| 3.2.1 医疗诊断 |
| 3.2.2 犹豫模糊语言集相似性测度在医疗诊断中的应用 |
| 3.3 基于犹豫模糊语言集的多属性决策 |
| 3.3.1 问题描述 |
| 3.3.2 基于犹豫模糊语言集的TOPSIS方法 |
| 3.3.3 实例分析 |
| 3.3.4 比较分析 |
| 3.4 本章小结 |
| 第四章 基于语言尺度函数FERMATEAN模糊语言集的多属性决策 |
| 4.1 FERMATEAN模糊语言集基本理论 |
| 4.1.1 Fermatean模糊语言集运算法则 |
| 4.1.2 Fermatean模糊语言集的余弦相似性测度 |
| 4.1.3 Fermatean模糊语言集的距离测度 |
| 4.2 基于语言尺度函数FERMATEAN模糊语言集相似性测度的创新构建 |
| 4.3 两种相似性测度的有效性比较 |
| 4.3.1 模糊模式识别 |
| 4.3.2 Fermatean模糊语言集相似性测度在模糊模式识别中的应用 |
| 4.4 基于FERMATEAN模糊语言集多属性决策 |
| 4.4.1 问题描述 |
| 4.4.2 基于Fermatean模糊语言集的TOPSIS方法 |
| 4.4.3 实例分析 |
| 4.4.4 比较分析 |
| 4.5 本章小结 |
| 第五章 基于语言尺度函数语言Q阶正交模糊集的多属性决策 |
| 5.1 语言Q阶正交模糊集基本理论 |
| 5.1.1 语言q阶正交模糊集运算法则 |
| 5.1.2 语言q阶正交模糊集的聚合算子 |
| 5.2 基于语言尺度函数语言Q阶正交模糊数的距离测度 |
| 5.3 基于语言尺度函数语言Q阶正交模糊集的多属性决策 |
| 5.3.1 问题描述 |
| 5.3.2 基于语言q阶正交模糊集的TOPSIS方法 |
| 5.3.3 实例分析 |
| 5.3.4 比较分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（10）CatBoost算法在乳腺肿瘤诊断研究中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第2章 相关算法理论与技术基础 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘概述及应用 |
| 2.1.2 数据挖掘过程 |
| 2.2 常用的数据挖掘算法 |
| 2.2.1 决策树算法 |
| 2.2.2 支持向量机(Support Vector Machine) |
| 2.2.3 随机森林 |
| 2.2.4 XGBoost |
| 2.2.5 CatBoost |
| 2.3 本章小结 |
| 第3章 评价指标及数据介绍 |
| 3.1 模型的评价指标 |
| 3.2 数据介绍 |
| 3.2.1 数据来源 |
| 3.2.2 特征数据的提取 |
| 3.3 本章小结 |
| 第4章 基于乳腺肿瘤数据的诊断模型 |
| 4.1 基于支持向量机建模 |
| 4.1.1 支持向量机算法 |
| 4.1.2 支持向量机模式的建立 |
| 4.1.3 建模结果 |
| 4.2 基于随机森林建模 |
| 4.2.1 随机森林算法 |
| 4.2.2 随机森林模型的建立 |
| 4.2.3 建模结果 |
| 4.3 基于XGBOOST建模 |
| 4.3.1 XGBoost 算法 |
| 4.3.2 XGBoost模型的建立 |
| 4.3.3 建模结果 |
| 4.4 基于CATBOOST建模 |
| 4.4.1 CatBoost 算法 |
| 4.4.2 CatBoost 模型的建立 |
| 4.4.3 建模的结果 |
| 4.5 四种模型结果分析 |
| 4.6 本章小结 |
| 第5章 CATBOOST算法在医疗诊断上的验证试验 |
| 5.1 数据集介绍与模型建立 |
| 5.2 实验结果分析 |
| 5.2.1 实验结果 |
| 5.2.2 结果分析 |
| 5.3 医疗辅助诊断模型设计 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 前景展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研宄成果 |
| 附录 |
四、专家系统及其在医疗诊断中的应用（论文参考文献）
- [1]智能优化极限学习机方法研究及在疾病诊断中的应用[D]. 刘通. 吉林大学, 2020(03)
- [2]自动化医疗诊断算法解释规则研究[D]. 吕佳学. 湘潭大学, 2020(02)
- [3]模糊粗糙集决策方法及其在医疗领域的应用[D]. 李藤. 中南林业科技大学, 2020(02)
- [4]基于粗糙集的工程项目安全管理的多属性群决策方法[D]. 王莹. 西安电子科技大学, 2020(05)
- [5]面向多模态数据的医疗与健康决策支持研究[D]. 甘丹. 天津大学, 2020(01)
- [6]几类拓广犹豫模糊集的相关系数及其应用[D]. 彭伟姝. 南昌大学, 2019(02)
- [7]数据挖掘算法在心脏病医疗诊断系统中的应用研究[D]. 常丹. 内蒙古财经大学, 2019(02)
- [8]基于神经网络的智能医疗诊断研究[D]. 欧明望. 海南大学, 2019(01)
- [9]基于模糊语言集的多属性决策及其应用研究[D]. 刘原园. 湖南科技大学, 2019(06)
- [10]CatBoost算法在乳腺肿瘤诊断研究中的应用[D]. 黄冠翎. 上海师范大学, 2019(01)