正則化SOM聚類算法在疾病診斷中的應(yīng)用研究.pdf

1、智能疾病診斷研究從臨床醫(yī)療大數(shù)據(jù)中自動(dòng)學(xué)習(xí)各種疾病的特征，對(duì)待處理病人的數(shù)據(jù)進(jìn)行自動(dòng)排查和識(shí)別，輔助醫(yī)生判斷疾病的類型，減少誤診。本文研究正則化的SOM（Self Organizing Maps）聚類算法，并用于疾病診斷，主要工作如下。
　　1、針對(duì)SOM用于預(yù)測(cè)中存在的過擬合問題，對(duì)SOM的優(yōu)勝神經(jīng)元的競(jìng)爭(zhēng)規(guī)則添加正則化懲罰項(xiàng)，并利用Tikhonov算法添加正則化算子，利用懲罰項(xiàng)約束輸出神經(jīng)元的權(quán)值，避免過擬合，并用正則化算子，

2、取得目標(biāo)函數(shù)和懲罰項(xiàng)之間的平衡。提出ITR_SOM算法;
　　2、針對(duì)SOM擬合過程中缺乏解釋性的問題，將信息熵引入ITR_SOM算法中，提出EITR_SOM算法。通過引入信息熵，完美呈現(xiàn)解決過擬合問題過程中的熵減過程，使算法在具有泛化能力的同時(shí)，提高可解釋性。
　　通過對(duì)比實(shí)驗(yàn)驗(yàn)證本文所提的算法在提高SOM聚類精度和防止過擬合問題上是可行的。在數(shù)據(jù)驗(yàn)證實(shí)驗(yàn)中，所提算法在精度上有所提高，而在熵指標(biāo)上，ITR-SOM算法減少了