伴隨社會(huì)經(jīng)濟(jì)急速發(fā)展而來的生存環(huán)境的日益惡化,冠心病的發(fā)病率和死亡率直線升高,已經(jīng)成為導(dǎo)致人類死亡的重大疾病之一。辨證論治是冠心病中醫(yī)診療的基本方法,利用科學(xué)方法對(duì)冠心病中醫(yī)證型進(jìn)行辨證,有利于挖掘冠心病診療的規(guī)律和聯(lián)系。貝葉斯分類是數(shù)據(jù)挖掘中重要的分類算法,因?yàn)槠浜唵慰煽康奶攸c(diǎn)已經(jīng)在眾多領(lǐng)域得到運(yùn)用。所以,利用貝葉斯分類方法進(jìn)行冠心病中醫(yī)證型識(shí)別,對(duì)于冠心病的辨證論治和用藥具有現(xiàn)實(shí)意義。本文以冠心病中醫(yī)診斷為背景,以樸素貝葉斯分類器為基本研究對(duì)象,主要從屬性擴(kuò)展和屬性加權(quán)兩個(gè)方面對(duì)樸素貝葉斯分類模型進(jìn)行改進(jìn)。并將提出的改進(jìn)算法應(yīng)用到UCI數(shù)據(jù)集以及處理后的冠心病數(shù)據(jù)中,通過實(shí)驗(yàn)證明其準(zhǔn)確性和有效性。具體研究工作為：（1）屬性擴(kuò)展方面。本文選擇性能優(yōu)秀的隱藏的樸素貝葉斯分類算法（HNB）進(jìn)行改進(jìn),提出了基于m估計(jì)的改進(jìn)型HNB算法（HNB-M）和基于強(qiáng)屬性的改進(jìn)型HNB算法（SAHNB）,這兩種方法都一定程度上放松了條件獨(dú)立性假設(shè)也避免了網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的復(fù)雜性。（2）屬性加權(quán)方面。根據(jù)各個(gè)屬性對(duì)于最終決策分類所發(fā)揮的作用不一致,通過賦予各個(gè)屬性相應(yīng)的權(quán)值來改進(jìn)貝葉斯分類的性能。本文引入統(tǒng)... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 樸素貝葉斯分類的研究現(xiàn)狀
        1.2.2 貝葉斯網(wǎng)絡(luò)的研究現(xiàn)狀
        1.2.3 貝葉斯分類在冠心病中醫(yī)診療領(lǐng)域的研究現(xiàn)狀
    1.3 論文主要工作及組織結(jié)構(gòu)
第2章 相關(guān)背景知識(shí)介紹
    2.1 數(shù)據(jù)挖掘理論概述
        2.1.1 數(shù)據(jù)挖掘的功能
        2.1.2 數(shù)據(jù)挖掘的流程
    2.2 貝葉斯理論相關(guān)知識(shí)
        2.2.1 條件概率和乘法定理
        2.2.2 全概率公式和貝葉斯定理
        2.2.3 極大后驗(yàn)假設(shè)和極大似然假設(shè)
    2.3 常見的貝葉斯分類模型介紹
        2.3.1 樸素貝葉斯分類模型
        2.3.2 半樸素貝葉斯分類模型
        2.3.3 樹擴(kuò)展樸素貝葉斯分類模型
        2.3.4 NBTree分類模型
    2.4 本章小結(jié)
第3章 屬性結(jié)構(gòu)擴(kuò)展的樸素貝葉斯分類算法
    3.1 引言
    3.2 隱藏的樸素貝葉斯分類算法
    3.3 基于m估計(jì)的改進(jìn)型HNB算法
    3.4 基于強(qiáng)屬性的改進(jìn)型HNB算法
        3.4.1 強(qiáng)屬性的選擇方法
        3.4.2 基于強(qiáng)屬性的改進(jìn)型HNB算法（SAHNB）的介紹
    3.5 實(shí)驗(yàn)評(píng)估
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)
        3.5.2 實(shí)驗(yàn)設(shè)計(jì)
        3.5.3 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于KL距離的加權(quán)樸素貝葉斯分類算法
    4.1 引言
    4.2 信息論理論
        4.2.1 信息論概述
        4.2.2 信息熵
        4.2.3 互信息
        4.2.4 條件互信息
    4.3 基于屬性加權(quán)的樸素貝葉斯分類模型簡介
    4.4 基于KL距離的加權(quán)樸素貝葉斯分類算法（AWNB-KL）
        4.4.1 Kullback-Leibler距離的介紹
        4.4.2 AWNB-KL算法權(quán)值的確定
        4.4.3 算法流程
    4.5 實(shí)驗(yàn)評(píng)估
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)
        4.5.2 實(shí)驗(yàn)設(shè)計(jì)
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第5章 改進(jìn)的貝葉斯分類算法在冠心病中醫(yī)輔助診療系統(tǒng)中的應(yīng)用
    5.1 引言
    5.2 冠心病數(shù)據(jù)的采集與處理分析
    5.3 基于智能技術(shù)的冠心病中醫(yī)輔助診療系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        5.3.1 系統(tǒng)整體框架設(shè)計(jì)
        5.3.2 系統(tǒng)的開發(fā)工具與平臺(tái)
        5.3.3 各個(gè)功能模塊的設(shè)計(jì)與實(shí)現(xiàn)
    5.4 改進(jìn)的貝葉斯分類算法在中醫(yī)冠心病診療中的應(yīng)用
        5.4.1 冠心病數(shù)據(jù)說明
        5.4.2 冠心病中醫(yī)診斷模型的實(shí)現(xiàn)
        5.4.3 實(shí)驗(yàn)評(píng)估
        5.4.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 下一步研究工作
參考文獻(xiàn)
致謝



本文編號(hào)：2895507