计算机辅助诊断疾病的支持向量机方法研究

计算机辅助诊断疾病的支持向量机方法研究

2011-12-30 来源:http://www.mianfeiwendang.com

摘 要:研究了人工智能辅助诊断的支持向量机模型,构造了支持向量机疾病确诊模型,设计了症状规范化、从识别域可信度知识规则到SVM分类器训练数值样本的转移方法、样本预处理、SVM模型构造、训练、确诊的过程及方法,以羊为例开展模型和专家的对比实验。实验数据表明,SVM方法能获得85%以上的诊断正确率,具备较好诊断效果。

关键词:支持向量机;训练;辅助诊断;特征提取;识别域

0 引 言

准确诊断及有效治疗疾病是生命科学研究的重要课题,对于农村养殖经济的繁荣发展及现代化农业有着积极意义。

人工智能与计算机技术、医学结合发展产生了疾病诊断系统,它提高了诊断治疗效率,成为实用的信息化医疗工具。专家系统的经典结构是产生式系统,反复的使用过程,它被发现有以下几个问题:①诊断效率受规则数量影响较大“ ;② 主要采用类似”IF.THEN“强烈专业化的规则表达形式致使规则结构复杂,知识工程语义理解困难,交流失畅。基于此,一些研究采用混合知识结构 ,应用模糊推理及模式识别算法实现了疾病的机器诊断。支持向量机在治疗领域应用中应用。 和支持向量机的蛋白质结构域边界预测方法 。

支持向量机通过标注样本学习分类决策经验性知识,而后反演求解领域问题,其智能过程与领域专家在培训及执业中积累行业经验性知识,再应用其诊疗疾病的生理智能过程的类似,论文构造研究了基于支持向量机的疾病确诊模型,围绕该模型涉及的问题展开了探讨研究。

1 支持向量机的基本理论

1.1 风险和分类器VVapnik等人研究了泛函数空间的大数定律与学习过程的关系,他们于1995年提出支持向量机(support-vector-ma—chine)方法,SVM方法在对特定训练样本的学习精度和识别任意样本的正确率之间寻求最佳平衡,期望获得最低风险和最好泛化性。

定义1 经验风险,真实风险和置信风险:分类器在样本数据上的分类结果与已经标注过的真实结果之间的差值,称为经验风险R (w)(empirical risk)。未标注样本的分类结果与真实结果的误差称为真实风险Rm(practical risk)。

定义2 超平面和线性分类器:设有n维变量向量:和n维常量向量,又称法向量,W

(w , ,?, ),一个常量标量值b,组合如式(2),在1维空间式(2)表示与x轴垂直的直线,在2维空间式(2)表示直线,在3维空间式(2)表示平面,推广到 维空间式(2)表示的平面称为超平面H(hyperplane)。 维空间中,有n个向量样本,如图l所示,求某个超平面 分类面,又称为线性分类器)分之为2类,而且和 是平行于 ,且分别通过离H最近的两类样本的两个超平面, 和 之间的距离D称为分类间隔,D越大分类性能越高,这个模型不仅达到

Word文档免费下载Word文档免费下载:计算机辅助诊断疾病的支持向量机方法研究 (共4页,当前第1页)

计算机辅助诊断疾病的支持向量机方法研究相关文档

最新文档

返回顶部