支持向量机训练方法研究及其在疾病诊断上的应用

发布时间：2021-01-13 17:38

　　疾病作为人类健康的一大威胁,不仅关系到每个家庭的幸福,还关系到整个社会的稳定与发展。准确的疾病诊断结果对其预防与治疗有着至关重要的作用。疾病诊断是一个复杂的决策过程,传统的疾病诊断过程及结果主要依赖医生的经验和专业水平。随着人工智能技术的广泛应用,支持向量机作为一种常用的分类模型,对于小样本、高维数据的分类问题具有很好的鲁棒性与适应能力,在辅助疾病诊断中取得了不错的效果。然而,在支持向量机训练过程中,存在大量对于确定最终超平面没有意义的约束。本论文对支持向量机训练方法进行研究,提出SVMPM训练算法,并将训练得到的支持向量机结合集成学习用于疾病诊断,辅助医生得到更准确的诊断结果。本论文主要研究内容如下:1.针对支持向量机训练过程中约束条件过多的问题,提出了一种约束简化策略。该策略首先基于QuickHull算法寻找样本类边界点完成对约束条件的第一次简化;然后,根据已得到样本点的组合计算属于不同类的样本点间的距离并排序;最后,基于预先设置的阈值,通过删除距离较远的样本点完成对约束条件的简化。实验结果表明,使用了该约束简化策略的支持向量机模型,可保持与经典支持向量机相同的分类效果。2.本论文... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

二维空间样本类凸包

的解决思想就是将一个复杂的问题通过拆分转化想分别求解子问题，最终整合成原问题需要求解法有所改进。结合图 2.2 所示具体步骤如下：标系中标出各点坐标，找出横坐标最小和最大的定在凸包上。点 A 和点 B 所确定的直线 AB 将部分的点，找到距离直线 最远的点 。点 和点 ，分别作直线 和直线 ，此时将直视为上包。第 2、3 步。做同样的处理。

论文 第 训练集 ( ) ( ) ( ) 表正例。在由训练集内所有样本点确定的空间划分超平面，完成将所有样本按照不同类别到最终确定的划分超平面应当对未知样本点的中两类样本点相隔正中间位置的划分超平面

【参考文献】：
期刊论文
[1]Challenges of Big Data analysis[J]. Jianqing Fan,Fang Han,Han Liu.  National Science Review. 2014(02)
[2]一种改进的支持向量机NN-SVM[J]. 李红莲,王春花,袁保宗.  计算机学报. 2003(08)

硕士论文
[1]非线性优化问题的精确罚函数算法研究[D]. 魏大松.重庆大学 2007



本文编号：2975284