【摘要】：近幾年,醫(yī)療大數(shù)據(jù)受到了人們的廣泛關(guān)注,如何充分利用海量的臨床數(shù)據(jù)挖掘出其內(nèi)在的重要信息知識,對隱患的疾病甚至癌癥做出預(yù)測診斷,從而讓病患得以預(yù)防或提前醫(yī)治,將具有重大的意義。從新生兒腦癱預(yù)測出發(fā),本文試圖通過大數(shù)據(jù)挖掘找到一個適用于醫(yī)療預(yù)測場景且具有較高預(yù)測準確度和較低模型總體損失的學(xué)習(xí)算法,使其不僅能夠?qū)π律鷥耗X癱做出最大程度的正確預(yù)測,而且對其他幾種特定的疾病預(yù)測都能有效應(yīng)用。本文重點研究了半監(jiān)督學(xué)習(xí)算法,并且對醫(yī)學(xué)預(yù)測場景下的半監(jiān)督學(xué)習(xí)算法出現(xiàn)的問題進行了模型改進,主要取得了以下成果。一、針對醫(yī)學(xué)數(shù)據(jù)集設(shè)計了一套數(shù)據(jù)預(yù)處理方法流程。由于醫(yī)學(xué)臨床數(shù)據(jù)無法直接建模,本文通過填充數(shù)據(jù)缺失值、處理不一致性數(shù)據(jù)、檢測離群點,先對臟數(shù)據(jù)進行清洗。然后對多個臨床數(shù)據(jù)源的數(shù)據(jù)集進行對象匹配和模式集成,并對各個字段屬性進行冗余性和相關(guān)性分析。最后對數(shù)據(jù)集進行特征縮放和維數(shù)歸約。實驗驗證了該方案可有效加強數(shù)據(jù)可用性,并可提升數(shù)據(jù)集在建模過程中的計算效率。二、根據(jù)醫(yī)學(xué)數(shù)據(jù)集中有標記樣本過少、無標記樣本較多的特點,將半監(jiān)督學(xué)習(xí)算法應(yīng)用到腦癱預(yù)測等特定疾病預(yù)測模型。已知有監(jiān)督學(xué)習(xí)在疾病預(yù)測場景中已有研究,本文對有監(jiān)督學(xué)習(xí)中性能較好的混合高斯模型、支持向量機模型、圖模型,與其在半監(jiān)督學(xué)習(xí)領(lǐng)域分別對應(yīng)的半監(jiān)督混合高斯模型、半監(jiān)督支持向量機模型、半監(jiān)督圖模型做出了理論推導(dǎo)和構(gòu)思技巧的對比分析。通過在8個數(shù)據(jù)集上設(shè)計3種有標記樣本數(shù)量比例,仿真實驗在3種評估指標的均值結(jié)果上均驗證得出:半監(jiān)督學(xué)習(xí)算法在腦癱預(yù)測等疾病預(yù)測模型中具有性能優(yōu)勢,且半監(jiān)督支持向量機模型的表現(xiàn)最好。三、針對醫(yī)療場景下出現(xiàn)的問題,提出基于半監(jiān)督支持向量機的改進算法模型。其一,基于誤分正類樣本損失和誤分負類樣本損失不對等問題,本文設(shè)置不同誤分類權(quán)重,以加大對誤分正類樣本的懲罰,從而減小整體誤分損失。其二,基于類別極度不平衡數(shù)據(jù)導(dǎo)致的學(xué)習(xí)器“傻瓜化”問題,本文對未標記數(shù)據(jù)中正類樣本的數(shù)量比例進行條件約束,使得其比例更接近真實樣本標簽的分布比例。其三,基于有標記和未標記樣本數(shù)量差別懸殊對目標函數(shù)的經(jīng)驗風(fēng)險項造成的影響,本文對有標記和未標記樣本的經(jīng)驗風(fēng)險函數(shù)分別進行了一定比例的縮放,從而減小了因標記數(shù)量不均衡造成的預(yù)測誤差。在理論推導(dǎo)分析后,本文通過詳盡的實驗分別驗證了3個改進步驟在一定程度上提升了模型分類準確度,且降低了模型總體損失。
【圖文】：

本文方案流程圖

第二章 論文相關(guān)關(guān)鍵技術(shù)介紹第二章 論文相關(guān)關(guān)鍵技術(shù)介紹本章對本文所要研究的面向數(shù)據(jù)挖掘的半監(jiān)督學(xué)習(xí)算法中的關(guān)鍵技術(shù)進行紹，為后面章節(jié)的設(shè)計和分析奠定理論基礎(chǔ)。 半監(jiān)督學(xué)習(xí)機器學(xué)習(xí)的目標是通過分析大量歷史樣本數(shù)據(jù)，基于特定的假設(shè)，，挖掘出部規(guī)律，建立對應(yīng)的數(shù)學(xué)模型，從而對新樣本進行更加準確的估計和預(yù)icial Intelligence 業(yè)界著名專家 Simon 的觀點[2]認為“機器學(xué)習(xí)是從大量歷習(xí)，使學(xué)習(xí)器的預(yù)測能力改進或增強，從而提高新樣本的預(yù)測準確率”。如，從數(shù)據(jù)層面來看，機器學(xué)習(xí)一般分為三種學(xué)習(xí)方式：有監(jiān)督學(xué)習(xí)，無監(jiān)督督學(xué)習(xí)。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP181;R-05

【相似文獻】

相關(guān)期刊論文 前10條

1 王江;張惠源;李芳;張兵文;李鵬;;腦機接口中半監(jiān)督學(xué)習(xí)算法研究[J];電子測量技術(shù);2014年05期

2 孫廣玲,唐降龍;基于分層高斯混合模型的半監(jiān)督學(xué)習(xí)算法[J];計算機研究與發(fā)展;2004年01期

3 魯珂,趙繼東,葉婭蘭,曾家智;一種用于圖像檢索的新型半監(jiān)督學(xué)習(xí)算法[J];電子科技大學(xué)學(xué)報;2005年05期

4 楊南海;黃明明;赫然;王秀坤;;基于最大相關(guān)熵準則的魯棒半監(jiān)督學(xué)習(xí)算法[J];軟件學(xué)報;2012年02期

5 繆志敏;胡谷雨;趙陸文;陳彥德;;一種基于支持向量數(shù)據(jù)描述的半監(jiān)督學(xué)習(xí)算法[J];解放軍理工大學(xué)學(xué)報(自然科學(xué)版);2010年01期

6 陳志民;薛月菊;楊敬鋒;葉志嬋;陳劍虹;;半監(jiān)督學(xué)習(xí)算法在農(nóng)用地分等中的應(yīng)用[J];計算機工程與設(shè)計;2008年23期

7 任亞峰;姬東鴻;尹蘭;;基于半監(jiān)督學(xué)習(xí)算法的虛假評論識別研究[J];四川大學(xué)學(xué)報(工程科學(xué)版);2014年03期

8 李明;楊艷屏;占惠融;;基于局部聚類與圖方法的半監(jiān)督學(xué)習(xí)算法[J];自動化學(xué)報;2010年12期

9 張健沛;趙瑩;楊靜;;最小二乘支持向量機的半監(jiān)督學(xué)習(xí)算法[J];哈爾濱工程大學(xué)學(xué)報;2008年10期

10 王敬;李淑英;;基于半監(jiān)督學(xué)習(xí)算法在文本分類中的應(yīng)用研究[J];信息與電腦(理論版);2015年17期

相關(guān)會議論文 前1條

1 孫濤;劉靜;劉青山;盧漢清;;半監(jiān)督譜判別式分析[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

相關(guān)博士學(xué)位論文 前7條

1 楊南海;魯棒半監(jiān)督學(xué)習(xí)算法及在生物統(tǒng)計中的應(yīng)用研究[D];大連理工大學(xué);2015年

2 鄧超;基于“合作—參與”計算認知模型的半監(jiān)督學(xué)習(xí)算法研究與應(yīng)用[D];哈爾濱工業(yè)大學(xué);2009年

3 翁立波;基于圖的半監(jiān)督學(xué)習(xí)算法及其應(yīng)用[D];南京理工大學(xué);2017年

4 孔怡青;半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];江南大學(xué);2009年

5 劉斌;基于圖的大規(guī)模半監(jiān)督學(xué)習(xí)算法及應(yīng)用研究[D];電子科技大學(xué);2017年

6 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預(yù)測研究[D];合肥工業(yè)大學(xué);2017年

7 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 潘媛;面向疾病預(yù)測的半監(jiān)督學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2018年

2 唐校輝;基于半監(jiān)督學(xué)習(xí)算法的健康大數(shù)據(jù)分類模型研究與實現(xiàn)[D];電子科技大學(xué);2018年

3 徐寒香;一種基于李群的半監(jiān)督學(xué)習(xí)算法及應(yīng)用研究[D];蘇州大學(xué);2009年

4 王軼初;基于集成學(xué)習(xí)的半監(jiān)督學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2011年

5 魏征麗;基于圖半監(jiān)督學(xué)習(xí)算法的研究及應(yīng)用[D];西安電子科技大學(xué);2012年

6 張毅鋒;一種基于對稱矩陣分解的半監(jiān)督學(xué)習(xí)算法的研究與應(yīng)用[D];中山大學(xué);2014年

7 鐘吉英;半監(jiān)督學(xué)習(xí)算法在腦—計算機接口中的應(yīng)用研究[D];電子科技大學(xué);2009年

8 李玉嬌;半監(jiān)督學(xué)習(xí)算法的魯棒性研究[D];華南理工大學(xué);2016年

9 徐培培;基于LNP的半監(jiān)督學(xué)習(xí)算法[D];西安電子科技大學(xué);2009年

10 占惠融;基于圖的半監(jiān)督學(xué)習(xí)算法研究[D];華中科技大學(xué);2009年

本文編號：2657464