支持向量機(jī)在醫(yī)學(xué)數(shù)據(jù)分析中的應(yīng)用.pdf

1、支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論，借助最優(yōu)化方法來解決機(jī)器學(xué)習(xí)問題的新工具，是統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想在實(shí)際中的體現(xiàn)。由于支持向量機(jī)出色的學(xué)習(xí)性能，該技術(shù)已成為機(jī)器學(xué)習(xí)界的研究熱點(diǎn)，并在很多領(lǐng)域(如語(yǔ)音識(shí)別、人臉圖像識(shí)別、文章分類等)得到了成功的應(yīng)用。本文針對(duì)支持向量機(jī)算法的不足，提出了一種預(yù)先提取訓(xùn)練樣本的方法，將改進(jìn)的模糊C均值聚類(FCM)與支持向量機(jī)結(jié)合起來。通過模糊C均值聚類對(duì)訓(xùn)練樣本進(jìn)行預(yù)處理，提取所有可能是

2、支持向量的樣本作為新的訓(xùn)練樣本，同時(shí)剔除孤立點(diǎn)，從而提高了分類的精度和訓(xùn)練速度。主要內(nèi)容如下： (1)對(duì)兒童異常步態(tài)進(jìn)行分類。通過比較三種不同核函數(shù)組成的分類器，得出采用徑向基函數(shù)作為核函數(shù)的分類效果最好，準(zhǔn)確率達(dá)到97.51％。將本算法與其它算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，該算法能夠有效地識(shí)別步態(tài)變化，較好地解決了小樣本數(shù)據(jù)在步態(tài)分類中泛化能力差的問題。 (2)對(duì)三種心電圖進(jìn)行分類。本文采用數(shù)學(xué)形態(tài)學(xué)去除基線漂移；然后采用