SVM在醫(yī)學數(shù)據(jù)分類中的建模研究.pdf

1、近年來，隨著醫(yī)學技術的發(fā)展和醫(yī)療信息化技術的日益普及，特別是隨著醫(yī)院各種電子診療設備的廣泛引入，使得醫(yī)療數(shù)據(jù)越來越多，且呈現(xiàn)急劇增長的趨勢，標志著醫(yī)療數(shù)據(jù)已經(jīng)進入了一個大數(shù)據(jù)的時代。如何利用信息技術從這些數(shù)據(jù)中發(fā)現(xiàn)有用的或未知的信息，為醫(yī)生提供輔助醫(yī)療診斷已經(jīng)成為目前研究的一個重要方向。
　　SVM作為一種良好的數(shù)據(jù)分類方法，可用于基于特征值的病理分類，然而在其建模過程中存在諸多人工因素干預，如核函數(shù)選取、常量參數(shù)確定等。本文將以

2、乳腺腫瘤數(shù)據(jù)為應用背景，就SVM分類模型的建模過程以及核函數(shù)選擇、參數(shù)尋找等方面展開研究，本文主要包括如下內(nèi)容:
　　(1)分析了目前常用的SVM、BP神經(jīng)網(wǎng)絡、決策樹等方法的分類原理，介紹了粒子群算法進行參數(shù)尋優(yōu)的機制，以及核參數(shù)的相關理論。
　　(2)研究了SVM模型的建模過程，建立了對乳腺腫瘤進行分類的優(yōu)化模型。針對數(shù)據(jù)集的歸一化問題進行了探討，分析了數(shù)據(jù)歸一化對分類結果的影響。討論了核函數(shù)的選擇問題，驗證了徑向基核函

3、數(shù)具有明顯的分類效果。對于模型的參數(shù)C和g的選擇，采用了一種逐步精細化的二次尋優(yōu)方法，第一次從粗略的參數(shù)范圍入手，第二次在精細的范圍內(nèi)找到相對優(yōu)化的參數(shù)。實際測試結果表明，建立的模型具有很好的分類準確率。
　　(3)對利用粒子群算法優(yōu)化SVM模型參數(shù)進行了研究。分析了傳統(tǒng)粒子群算法對SVM的懲罰參數(shù)C和核參數(shù)g進行尋優(yōu)的方法，針對傳統(tǒng)算法學習因子采用經(jīng)驗值，介紹了一種動態(tài)修改學習因子的改進算法。通過實驗對這兩種方法的分類效果進行比