醫(yī)療資料顯示,慢性病已經(jīng)成為危害人類健康最嚴(yán)重的疾病之一。慢性病的一個特點(diǎn)是很難事先做出準(zhǔn)確的診斷,但其發(fā)生和發(fā)展有一定規(guī)律可循。慢性病的診斷本質(zhì)上是機(jī)器學(xué)習(xí)中的數(shù)據(jù)分類問題。借助機(jī)器學(xué)習(xí)技術(shù)能夠挖掘慢性病診斷的各種規(guī)律和聯(lián)系,幫助醫(yī)生建立疾病預(yù)警模型。本文提出基于優(yōu)化線性組合核極限學(xué)習(xí)機(jī)的隨機(jī)森林算法并將其用于慢性病的分類問題之中,旨在進(jìn)一步提高慢性病診斷準(zhǔn)確率,為醫(yī)生在臨床診斷中提供參考依據(jù)。從研究人員利用不同的模型對慢性病數(shù)據(jù)分類的結(jié)果顯示,基于支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）的模型表現(xiàn)出較好的分類性能,但存在模型參數(shù)選擇困難、單分類器的性能瓶頸、訓(xùn)練速度慢以及不能處理海量醫(yī)療數(shù)據(jù)等缺陷。針對它們存在的局限性,提出了一種基于優(yōu)化線性組合核極限學(xué)習(xí)機(jī)的隨機(jī)森林分類算法。主要研究內(nèi)容如下:1.針對醫(yī)療數(shù)據(jù)不規(guī)則、不平坦的問題,本文采用RBF核函數(shù)和多項(xiàng)式核函數(shù)的線性組合作為核極限學(xué)習(xí)機(jī)的核函數(shù)�；诤朔椒ǖ姆诸惸Ｐ偷暮祟愋团c訓(xùn)練數(shù)據(jù)有很大的關(guān)系,線性組合核不僅能夠合理發(fā)揮各核函數(shù)的優(yōu)點(diǎn)來充分適應(yīng)訓(xùn)練數(shù)據(jù),而且能降低核類型對模型分類性能的影響。針對模型參數(shù)人為難以選擇問題,... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)概述
    2.1 相關(guān)分類算法
        2.1.1 經(jīng)典極限學(xué)習(xí)機(jī)算法
        2.1.2 核極限學(xué)習(xí)機(jī)
    2.2 粒子群優(yōu)化算法
    2.3 隨機(jī)森林算法
        2.3.1 Bootstrap法重采樣
        2.3.2 隨機(jī)森林算法流程
    2.4 Hadoop平臺介紹
        2.4.1 HDFS介紹
        2.4.2 Map-Reduce介紹
    2.5 本章小結(jié)
第3章 基于優(yōu)化核極限學(xué)習(xí)機(jī)的隨機(jī)森林分類算法
    3.1 問題分析
    3.2 改進(jìn)的隨機(jī)森林分類算法
        3.2.1 核函數(shù)的選取
        3.2.2 初始化基于核極限學(xué)習(xí)機(jī)的隨機(jī)森林模型
        3.2.3 優(yōu)化初始隨機(jī)森林模型
    3.3 并行化隨機(jī)森林模型
        3.3.1 并行化思路
        3.3.2 并行化詳細(xì)過程
    3.4 本章小結(jié)
第4章 改進(jìn)隨機(jī)森林算法在乳腺癌診斷中的應(yīng)用
    4.1 數(shù)據(jù)預(yù)處理
        4.1.1 數(shù)據(jù)特征描述
        4.1.2 數(shù)據(jù)歸一化處理
    4.2 對比實(shí)驗(yàn)設(shè)置
    4.3 實(shí)驗(yàn)參數(shù)設(shè)置
    4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 模型性能評估
    4.6 本章小結(jié)
第5章 基于大數(shù)據(jù)平臺的慢性病預(yù)警原型系統(tǒng)的實(shí)現(xiàn)
    5.1 系統(tǒng)架構(gòu)
    5.2 數(shù)據(jù)采集與處理
    5.3 模型構(gòu)建及并行化
        5.3.1 個體預(yù)警與群體預(yù)警
        5.3.2 隨機(jī)森林算法
        5.3.3 K-Means算法
        5.3.4 Apriori算法
    5.4 本章小節(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于Hadoop的Apriori改進(jìn)算法研究[J]. 黃劍,李明奇,郭文強(qiáng).  計(jì)算機(jī)科學(xué). 2017(07)
[2]基于Hadoop的醫(yī)療大數(shù)據(jù)分析系統(tǒng)的研究與設(shè)計(jì)[J]. 廖亮,虞宏霄.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(04)
[3]集成優(yōu)化核極限學(xué)習(xí)機(jī)的冠心病無創(chuàng)性診斷[J]. 馬超,徐守祥,劉遠(yuǎn)東.  計(jì)算機(jī)應(yīng)用研究. 2017(06)
[4]我國慢性病管理現(xiàn)狀、問題及發(fā)展建議[J]. 呂蘭婷,鄧思蘭.  中國衛(wèi)生政策研究. 2016(07)
[5]基于進(jìn)化算法優(yōu)化的混合核極限學(xué)習(xí)機(jī)建模[J]. 張德全,魏忠軍,湯健,趙立杰.  控制工程. 2013(06)
[6]冠心病智能診斷算法仿真研究[J]. 陳剛,劉秉權(quán),葛金虎.  計(jì)算機(jī)仿真. 2012(12)
[7]基于云計(jì)算平臺Hadoop的并行k-means聚類算法設(shè)計(jì)研究[J]. 趙衛(wèi)中,馬慧芳,傅燕翔,史忠植.  計(jì)算機(jī)科學(xué). 2011(10)
[8]基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的心血管疾病中醫(yī)證候分類識別研究[J]. 許朝霞,王憶勤,顏建軍,郭睿,劉國萍,燕海霞,李福鳳,徐琎,郝一鳴,錢鵬.  北京中醫(yī)藥大學(xué)學(xué)報(bào). 2011(08)
[9]人工神經(jīng)網(wǎng)絡(luò)在乳腺癌診斷中的應(yīng)用[J]. 金強(qiáng),高普中.  計(jì)算機(jī)仿真. 2011(06)
[10]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測個體患原發(fā)性高血壓病危險(xiǎn)度[J]. 周水紅,聶紹發(fā),王重建,魏晟,許奕華,李雪華,宋恩民.  中華流行病學(xué)雜志. 2008 (06)

博士論文
[1]核極限學(xué)習(xí)機(jī)的理論與算法及其在圖像處理中的應(yīng)用[D]. 李小冬.浙江大學(xué) 2014

碩士論文
[1]基于遺傳算法和加權(quán)極限學(xué)習(xí)機(jī)結(jié)合的乳腺癌亞型分類和基因選擇[D]. 匡佳青.吉林大學(xué) 2017
[2]基于邏輯回歸關(guān)聯(lián)規(guī)則的疾病預(yù)警模型[D]. 王敏蝦.山東大學(xué) 2016
[3]基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周羿陽.東華大學(xué) 2016



本文編號：3500055