基于膜计算的数据挖掘算法研究及在卒中问题中的应用

发布时间：2021-10-24 16:10

　　智能化时代,随着医疗技术的飞速发展和医疗物联网应用的日益普及,产生了海量的医学数据。与此同时,医疗行为越来越依靠于对数据的判断,这就需要从海量的诊疗数据中挖掘出有价值的信息。因此设计适用于海量诊疗数据的数据挖掘方法就尤为重要。膜计算,又称为P系统,是从活细胞的组织和结构抽象出来的一类具有非确定性和极大并行性的智能仿生计算模型,特别适合处理海量数据。因此,本文提出膜聚类算法和膜关联规则算法,并将其应用于卒中危险因素高危模式的发现和卒中病人群落的划分。所做的主要工作包括以下内容:1.提出基于类细胞P系统的互k近邻图聚类算法—PICP-MkNNG算法为了在不预设簇数目的前提下,有效识别具有任意形状和密度不均匀的簇,本文将传统的互k近邻聚类算法（MkNN）和图理论相结合,提出了互k近邻图聚类算法--MkNNG。该算法认为互为k近邻的点彼此连接,形成连通子图,同一个连通子图中的点相对靠近,被聚在同一个簇中,而非连通子图中的点相对疏远,被聚为不同的簇。为了提高MkNNG算法的效率,使之能够处理海量数据,基于P系统的非确定性和极大并行性,本文设计了含多促进剂和抑制剂的类细胞P系统—PICP系统。提出... 

【文章来源】：山东师范大学山东省

【文章页数】：132 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 相关概念及研究进展
        1.2.1 膜计算及研究进展
        1.2.2 聚类分析及研究进展
        1.2.3 关联规则及研究进展
        1.2.4 医疗数据挖掘研究进展
    1.3 研究内容与组织结构
        1.3.1 研究内容
        1.3.2 论文创新点
        1.3.3 论文组织结构
第二章 基于类细胞P系统的互k近邻图聚类算法
    2.1 互k近邻图聚类算法
        2.1.1 互k近邻图定义
        2.1.2 MkNNG算法聚类过程
    2.2 PICP-MkNNG聚类算法
        2.2.1 PICP系统
        2.2.2 PICP-MkNNG系统结构和规则
        2.2.3 规则执行过程
        2.2.4 时间复杂度分析
    2.3 实验与分析
        2.3.1 实例测试
        2.3.2 实验
        2.3.3 参数讨论
    2.4 本章小结
第三章 基于类组织P系统的共享近邻图聚类算法
    3.1 共享近邻图聚类算法
        3.1.1 共享近邻图定义
        3.1.2 SNNG算法聚类过程
    3.2 PITP-SNNG聚类算法
        3.2.1 PITP系统
        3.2.2 PITP-SNNG系统结构和规则
        3.2.3 规则执行过程
        3.2.4 时间复杂度分析
    3.3 实验与分析
        3.3.1 实例测试
        3.3.2 实验
        3.3.3 参数讨论
    3.4 本章小结
第四章 基于类组织P系统的最大频繁项集挖掘算法
    4.1 Pincer-Search算法
        4.1.1 最大频繁项集
        4.1.2 Pincer-Search算法挖掘过程
    4.2 PITP-PS算法
        4.2.1 PITP-PS系统结构和规则
        4.2.2 规则执行过程
        4.2.3 时间复杂度分析
    4.3 实例测试
    4.4 本章小结
第五章 基于类组织P系统的多最小支持度关联规则算法
    5.1 MS-Apriori算法
        5.1.1 多最小支持度的定义
        5.1.2 MS-Apriori算法挖掘过程
    5.2 PITP-MSApriori算法
        5.2.1 PITP-MSApriori系统结构和规则
        5.2.2 规则执行过程
        5.2.3 时间复杂度分析
    5.3 实例测试
    5.4 本章小结
第六章 基于类组织P系统的最大模式子空间聚类算法
    6.1 MFIS算法
        6.1.1 获得各一维基本簇
        6.1.2 子空间聚类
    6.2 PITP-MFIS算法
        6.2.1 PITP-MFIS系统结构和规则
        6.2.2 规则执行过程
        6.2.3 时间复杂度分析
    6.3 实验与分析
        6.3.1 实例测试
        6.3.2 实验
        6.3.3 参数讨论
    6.4 本章小结
第七章 基于P系统的卒中危险因素高危模式发现及病人群落划分
    7.1 基于PITP-PS算法的卒中危险因素高危模式发现
        7.1.1 资料来源
        7.1.2 数据预处理
        7.1.3 基于PITP-PS发现卒中危险因素高危组合模式
        7.1.4 结果及讨论
    7.2 基于PITP-MFIS算法的卒中病人群落划分
        7.2.1 数据预处理
        7.2.2 基于PITP-MFIS的卒中病人群落划分
        7.2.3 结果及讨论
    7.3 本章小结
第八章 总结与展望
    8.1 总结
    8.2 进一步工作计划
参考文献
攻读博士学位期间的科研成果目录
致谢


【参考文献】：
期刊论文
[1]A Linear-Time Solution for All-SAT Problem Based on P System[J]. GUO Ping,ZHU Jian,CHEN Haizhu,YANG Ruilong.  Chinese Journal of Electronics. 2018(02)
[2]基于差分进化膜计算的MMC-HVDC控制参数优化[J]. 袁鹰,卫志农,陈洪涛,孙国强,孙永辉.  电力系统及其自动化学报. 2017(07)
[3]A Fault Diagnosis Method of Power Systems Based on an Improved Adaptive Fuzzy Spiking Neural P Systems and PSO Algorithms[J]. WANG Jun,PENG Hong,TU Min,Prez-Jimnez J. Mario,SHI Peng.  Chinese Journal of Electronics. 2016(02)
[4]Enhancing the Simulation of Membrane System on the GPU for the N-Queens Problem[J]. Ravie Chandren Muniyandi,Ali Maroosi.  Chinese Journal of Electronics. 2015(04)
[5]Solving All-SAT Problems by P Systems[J]. GUO Ping,JI Jinfang,CHEN Haizhu,LIU Ran.  Chinese Journal of Electronics. 2015(04)
[6]一种带混合进化机制的膜聚类算法[J]. 彭宏,蒋洋,王军,Mario J.PEREZ-JIMENEZ.  软件学报. 2015(05)
[7]基于信息流动分析的动态社区发现方法[J]. 索勃,李战怀,陈群,王忠.  软件学报. 2014(03)
[8]关联规则研究及在中风诊治中的应用分析[J]. 孙秀丽,姜学永,李明.  计算机技术与发展. 2011(09)
[9]含十八反药对半夏与乌头类复方的组方配伍特点分析[J]. 李文林,程茜,唐于平,段金廒,尚尔鑫,范欣生.  中国中医药信息杂志. 2010(06)
[10]一种改进的Chameleon算法[J]. 龙真真,张策,刘飞裔,张正文.  计算机工程. 2009(20)

博士论文
[1]膜计算优化方法研究[D]. 黄亮.浙江大学 2007

硕士论文
[1]基于膜系统的关联规则挖掘算法研究[D]. 魏菲.山东师范大学 2016



本文编号：3455574