發(fā)布時(shí)間：2020-08-14 07:11

【摘要】：目的:研究貝葉斯網(wǎng)絡(luò)混合結(jié)構(gòu)學(xué)習(xí)算法——MMHC算法,并與禁忌搜索算法比較,探索該算法構(gòu)建貝葉斯網(wǎng)絡(luò)模型效果;建立糖尿病影響因素的貝葉斯網(wǎng)絡(luò)模型,研究這些可能因素與糖尿病之間的關(guān)系,通過(guò)貝葉斯網(wǎng)絡(luò)推理反映這些影響因素對(duì)糖尿病的作用強(qiáng)度,并為其它慢性病影響因素發(fā)現(xiàn)提供合理的方法。方法:首先選擇標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)模型生成仿真數(shù)據(jù),分別用禁忌搜索算法和MMHC混合算法建立貝葉斯網(wǎng)絡(luò)模型,與原始模型比較,通過(guò)丟失邊、多余邊的數(shù)量及其之和評(píng)價(jià)兩種方法建立的貝葉斯網(wǎng)絡(luò)模型效果;然后利用2013年山西省慢性病及其危險(xiǎn)因素監(jiān)測(cè)數(shù)據(jù),通過(guò)建立糖尿病的貝葉斯網(wǎng)絡(luò)模型,探究糖尿病的影響因素,并與logistic回歸模型進(jìn)行比較。結(jié)果:(1)利用標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)隨機(jī)生成不同樣本量的數(shù)據(jù)集,然后分別用禁忌搜索算法和MMHC混合算法構(gòu)建貝葉斯網(wǎng)絡(luò)模型,結(jié)果發(fā)現(xiàn)無(wú)論節(jié)點(diǎn)數(shù)多少,數(shù)據(jù)樣本量越大,所構(gòu)建的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與標(biāo)準(zhǔn)網(wǎng)絡(luò)一致性越高。當(dāng)網(wǎng)絡(luò)中節(jié)點(diǎn)較少時(shí),無(wú)論樣本量多少,兩種算法構(gòu)建貝葉斯網(wǎng)絡(luò)效果差別不大;對(duì)于節(jié)點(diǎn)較多的情況,樣本量較小時(shí),兩種算法學(xué)習(xí)效果一致,樣本量較大時(shí),MMHC混合算法構(gòu)建貝葉斯網(wǎng)絡(luò)優(yōu)于禁忌搜索算法。(2)將糖尿病的相關(guān)因素進(jìn)行單因素分析,將P0.05的變量進(jìn)行多因素logistic回歸分析,并建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。logistic回歸結(jié)果顯示最終進(jìn)入回歸模型的因素有年齡、地區(qū)、婚姻狀況、醫(yī)療保險(xiǎn)、BMI分組、中心性肥胖、高血壓、高血脂和被動(dòng)吸煙;其中高血壓、高血脂、中心性肥胖是糖尿病的主要危險(xiǎn)因素,患糖尿病的風(fēng)險(xiǎn)分別提高86.7%、44.8%、26.9%。而構(gòu)建的貝葉斯網(wǎng)絡(luò)提示,高血壓和高血脂可能直接影響著糖尿病的發(fā)生;而年齡、中心性肥胖和BMI可能直接與高血壓的發(fā)生有關(guān),進(jìn)而間接影響了糖尿病的發(fā)生;城鄉(xiāng)高血脂檢出率不同,間接影響糖尿病患病水平。其余變量間存在相關(guān)性,但與糖尿病的網(wǎng)絡(luò)關(guān)系相隔較遠(yuǎn)。進(jìn)行貝葉斯推理,對(duì)于未患有高血壓和高血脂的人,患糖尿病的可能性降為0.104,若只患有高血壓,患糖尿病的概率為0.176,若只患有高血脂,患糖尿病的概率為0.133,當(dāng)同時(shí)患有高血壓和高血脂時(shí),患糖尿病的概率為0.272。與logistic回歸相比,貝葉斯網(wǎng)絡(luò)中各因素通過(guò)復(fù)雜的拓?fù)浣Y(jié)構(gòu)與糖尿病建立聯(lián)系更能反映影響因素間及因素與疾病間復(fù)雜的關(guān)系,表達(dá)更準(zhǔn)確和直觀。結(jié)論:(1)對(duì)于節(jié)點(diǎn)數(shù)較多的網(wǎng)絡(luò),樣本量較大時(shí),MMHC算法搜索效果優(yōu)于禁忌搜索算法;節(jié)點(diǎn)數(shù)較少的網(wǎng)絡(luò),兩種算法搜索性能相近。(2)將MMHC混合算法應(yīng)用于貝葉斯網(wǎng)絡(luò)建立糖尿病貝葉斯網(wǎng)絡(luò)模型,提示高血壓和高血脂可能直接影響著糖尿病的發(fā)生,其余變量間接影響糖尿病的發(fā)生。通過(guò)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)發(fā)現(xiàn)影響因素與疾病間復(fù)雜的關(guān)系,同時(shí)發(fā)現(xiàn)各影響因素間依賴關(guān)系,為糖尿病影響因素發(fā)現(xiàn)提供合理的方法,能更好的對(duì)糖尿病進(jìn)行預(yù)防。
【學(xué)位授予單位】：山西醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R587.1
【圖文】：

圖 1-1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示例1.3 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)指的是通過(guò)分析先驗(yàn)信息和樣本數(shù)據(jù)而得到完整的貝葉斯拓?fù)浣Y(jié)構(gòu)，包括參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)兩種情況[40-41]。1.3.1 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)參數(shù)學(xué)習(xí)是在已知網(wǎng)絡(luò)結(jié)構(gòu) G 和訓(xùn)練樣本集 D 的情況下，利用先驗(yàn)信息來(lái)貝葉斯網(wǎng)絡(luò)的參數(shù)，即網(wǎng)絡(luò)中各節(jié)點(diǎn)處的條件概率密度[42]。對(duì)于完備據(jù)集來(lái)講，常用的參數(shù)學(xué)習(xí)方法有極大似然估計(jì)和貝葉斯估計(jì)。1.3.1.1 極大似然估計(jì)[43]

MMHC 算法是結(jié)合了條件獨(dú)立性測(cè)試和評(píng)分搜索的混合算法。本課題組已證實(shí)搜索算法構(gòu)建的貝葉斯網(wǎng)絡(luò)模型擬合效果較好。本章從貝葉斯網(wǎng)絡(luò)資源庫(kù)中選擇貝葉斯網(wǎng)絡(luò)，生成不同樣本量仿真數(shù)據(jù)，分別用禁忌搜索算法和 MMHC 算法進(jìn)葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，并評(píng)價(jià)模型效果。3.1 資料與方法3.1.1 數(shù)據(jù)與資料從貝葉斯網(wǎng)絡(luò)資源庫(kù)中選取兩個(gè)網(wǎng)絡(luò)作為評(píng)價(jià)算法有效性的基準(zhǔn)實(shí)驗(yàn)網(wǎng)絡(luò)網(wǎng)絡(luò)、Car Diagnosis 網(wǎng)絡(luò)。Asia 網(wǎng)絡(luò)又叫 Chest Clinic 網(wǎng)絡(luò)，它是一個(gè)應(yīng)用于醫(yī)統(tǒng)的肺部疾病診斷網(wǎng)絡(luò)。主要通過(guò)病人的行為、癥狀和檢查結(jié)果來(lái)判斷其是否圖 3-1 是該網(wǎng)絡(luò)的標(biāo)準(zhǔn)結(jié)構(gòu)，包括 8 個(gè)節(jié)點(diǎn)和 8 條有向邊。Car Diagnosis 網(wǎng)絡(luò)是用于汽車(chē)故障診斷的網(wǎng)絡(luò)，包含 20 個(gè)節(jié)點(diǎn)和 22 條有向邊，如圖 3-2 所示。

圖 3-2 Car Diagnosis 網(wǎng)絡(luò)結(jié)構(gòu)圖3.1.2 分析方法利用 Asia 和 Car Diagnosis 貝葉斯網(wǎng)絡(luò)隨機(jī)生成不同樣本量的數(shù)據(jù)集，分別用禁忌搜索算法和 MMHC 算法進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。從數(shù)據(jù)集中學(xué)習(xí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與原始網(wǎng)絡(luò)比較，丟失邊 M (E)、多余邊 A (E)的數(shù)量及其之和 S(E)，作為評(píng)價(jià)指標(biāo)評(píng)價(jià)算法的準(zhǔn)確性。本文禁忌搜索算法、MMHC 算法分別使用 R3.1.2 軟件中的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)程序包進(jìn)行學(xué)習(xí)。3.2 結(jié)果與分析表 3-1 展示了不同樣本量下 Asia 網(wǎng)絡(luò)的學(xué)習(xí)效果，可以看出，數(shù)據(jù)樣本量越大，兩種算法確定的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)越準(zhǔn)確。樣本量為 50 時(shí)，兩種算法沒(méi)有發(fā)現(xiàn)網(wǎng)絡(luò)中

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魏珍;張雪雷;饒華祥;王華芳;王祥;仇麗霞;;禁忌搜索算法的貝葉斯網(wǎng)絡(luò)模型在冠心病影響因素分析中的應(yīng)用[J];中華流行病學(xué)雜志;2016年06期

2 陳夢(mèng)潔;萬(wàn)源;吳克風(fēng);童恒慶;;混合魚(yú)群優(yōu)化算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年04期

3 趙振華;童亞慧;楊青敏;;國(guó)內(nèi)外糖尿病自我管理的研究與進(jìn)展[J];上海護(hù)理;2015年04期

4 汪春峰;蔣妍;;基于蜂群算法和遺傳算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)混合學(xué)習(xí)方法[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

5 李碩豪;張軍;;貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)綜述[J];計(jì)算機(jī)應(yīng)用研究;2015年03期

6 郭童;林峰;;基于混合差分蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J];模式識(shí)別與人工智能;2014年06期

7 胡云安;劉振;宋瑞華;史建國(guó);;爬山法與模式蟻群法混合的貝葉斯優(yōu)化算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

8 汪春峰;張永紅;;基于無(wú)約束優(yōu)化和遺傳算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法[J];控制與決策;2013年04期

9 楊曉霞;杜毅;趙春玲;;社區(qū)高血壓糖尿病患者及高危人群健康教育的必要性[J];內(nèi)蒙古中醫(yī)藥;2013年08期

10 紀(jì)立農(nóng);胡善聯(lián);張丹儀;;以新的策略和管理方法挑戰(zhàn)糖尿病給中國(guó)帶來(lái)的巨大經(jīng)濟(jì)負(fù)擔(dān)[J];中國(guó)醫(yī)藥科學(xué);2013年01期

相關(guān)碩士學(xué)位論文 前10條

1 魏珍;基于貝葉斯網(wǎng)絡(luò)在肝硬化并發(fā)肝性腦病相關(guān)因素及分類識(shí)別的應(yīng)用研究[D];山西醫(yī)科大學(xué);2017年

2 張雪雷;基于禁忌搜索算法的貝葉斯網(wǎng)絡(luò)在疾病預(yù)測(cè)與診斷中的應(yīng)用[D];山西醫(yī)科大學(xué);2015年

3 李景囡;基于依賴分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2014年

4 朱曉峰;貝葉斯網(wǎng)絡(luò)及馬爾科夫毯的學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2014年

5 蔡其亨;云閃雷電脈沖信號(hào)的到達(dá)時(shí)間差估計(jì)與軟件實(shí)現(xiàn)[D];華中科技大學(xué);2013年

6 沈佳杰;基于改進(jìn)混合進(jìn)化算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[D];浙江大學(xué);2013年

7 汪星;社區(qū)2型糖尿病患者自我管理行為干預(yù)方法的研究與應(yīng)用[D];安徽醫(yī)科大學(xué);2012年

8 尹建杰;Logistic回歸模型分析綜述及應(yīng)用研究[D];黑龍江大學(xué);2011年

9 鄭冬冬;基于貝葉斯網(wǎng)絡(luò)的圖像型垃圾郵件識(shí)別研究[D];江蘇大學(xué);2010年

10 葛燕;人機(jī)結(jié)合的貝葉斯網(wǎng)建模方法研究[D];西安理工大學(xué);2009年

本文編號(hào)：2792692