动态聚类算法及其在医学数据上的应用

发布时间：2021-03-02 13:29

　　目前,动态聚类算法的研究及其应用是当今数据挖掘领域研究的一个热点。在临床医学数据分析研究领域中,利用聚类算法对医学数据进行聚类分析,不仅可以提高海量医学数据有效直观的表现形式,还可以帮助我们挖掘出数据中隐藏的模式和知识,从而提高人们对于生物医学现象机理和本质的认识。传统的医学数据聚类分析主要基于静态的方法（如K-means算法）,即对某个数据样本进行独立的聚类分析,并不包含任何时间信息；对于时间序列的医学数据的聚类分析只是多次静态数据的聚类分析的重复应用,并没有考虑医学数据时间上的关联性。本课题创新性地将动态聚类算法应用于动态医学数据的分析。针对动态医学数据的前后时间关联特性,本课题提出的算法一基于K-均值的动态修正算法（Dynamic K-means, DKM）,该方法基于医学数据前后时间的关联性,在分析当前时刻数据的同时也结合了历史数据对其的影响,对聚类结果的准确性有很大的改进。针对通常聚类算法类数恒定不变的弊端,本课题算法二,应用Dirichlet过程和隐马尔科夫模型构造产生数据的混合模型,通过计算数据后验概率对数据进行聚类,聚类过程中,类数根据样本的状况自动修正。将上述算法应用... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

关系网络数据聚类示意图

一一一一一一一一一一一一竺竺竺皿现50次实验后求均值作为该时刻样本的聚类类数，类数演化图如图3一8所示。币礴户硕动蜘卖验象类助类数演犯孚巍笔剔于澎寥g脚洲燕从科树韶幼川雄价︸︸一︸…一卜沁、﹁砚爵)樵粼巍蒸卿燕李6派，蒸藻图3一 8HDP十HMM实验聚类演化图从上述3一8图，我们发现在实验数据的10个时间点上，每一个时间点上聚类的类数都是在演化的，验证了该算法在聚类动态数据时，可以实现样本聚类的类数演化，同时我们发现从t=2到10，样本的聚类基本在k=6左右徘徊，而在先前验证DynamicK一means算法准确性和有效性的时候

一一一一一一一一一一一一竺竺竺皿现50次实验后求均值作为该时刻样本的聚类类数，类数演化图如图3一8所示。币礴户硕动蜘卖验象类助类数演犯孚巍笔剔于澎寥g脚洲燕从科树韶幼川雄价︸︸一︸…一卜沁、﹁砚爵)樵粼巍蒸卿燕李6派，蒸藻图3一 8HDP十HMM实验聚类演化图从上述3一8图，我们发现在实验数据的10个时间点上，每一个时间点上聚类的类数都是在演化的，验证了该算法在聚类动态数据时，可以实现样本聚类的类数演化，同时我们发现从t=2到10，样本的聚类基本在k=6左右徘徊，而在先前验证DynamicK一means算法准确性和有效性的时候

【参考文献】：
期刊论文
[1]数据挖掘和知识发现技术在病人流量分析中的应用[J]. 石义芳,孔令人,于芳,陈培正.  现代预防医学. 2006(02)
[2]自组织数据挖掘在卫生总费用预测中的应用[J]. 刘明霞,任仕泉.  卫生经济研究. 2003(12)

博士论文
[1]医学知识获取与发现的研究[D]. 余辉.天津大学 2003

硕士论文
[1]关联规则及其在肝癌病人资料分析中的应用研究[D]. 武建虎.第二军医大学 2005
[2]决策树技术及其在医学中的应用[D]. 徐蕾.第二军医大学 2004



本文编号：3059344