基于支持向量機的癌癥診斷研究.pdf

1、本文對基于支持向量機的癌癥診斷進行了研究。主要內容如下： ①對模式識別中目前常用的特征提取和選擇方法進行了綜述，介紹了信噪比、熵標準、遺傳算法(GA)、主成分分析法(PCA)、獨立成分分析法(ICA)、粒子群尋優(yōu)算法(PSO)、模擬退火算法(SA)和其他常用的特征選擇方法的算法、及其優(yōu)點和缺點等。 ②介紹了幾種常用的分類方法及其分類原理。包括貝葉斯分類器、K-近臨分類器、決策樹、概率神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡。對支持向量機的

2、分類原理進行了詳細的敘述，并介紹了其算法、實現(xiàn)、發(fā)展和在相關領域中的應用。 ③利用人體血液元素(Zn、Ba、Ca、Mg、Cu、Se)濃度，應用支持向量機等多種分類器及特征優(yōu)化算法，進行了癌癥的輔助診斷，并分析了不同特征提取和特征選擇方法對分類準確率的影響。其中，K-近鄰分類器(基于信噪比特征排序)、概率神經(jīng)網(wǎng)絡(基于信噪比特征排序)、決策樹(基于熵標準特征排序)、支持向量機(基于遺傳算法)的分類準確率分別達到了95.95％、97

3、.29％、91.89％和98.64％。 ④根據(jù)乳腺腫瘤組織的細胞形態(tài)數(shù)據(jù)，應用支持向量機等多種分類器及信噪比特征優(yōu)化算法，進行了乳腺癌的輔助診斷。其中，K-近鄰分類器、概率神經(jīng)網(wǎng)絡、支持向量機的分類準確率分別達到了96.09％、95.08％、96.24％。 ⑤采用乳腺癌患者的基因數(shù)據(jù)，結合支持向量機等多種分類器及特征優(yōu)化算法對其預后狀態(tài)進行了評估，并分析了不同特征提取和特征選擇方法對預后評估準確率的影響。其中，K-近鄰分