预览加载失败,请重新加载试试~

貝葉斯網絡-案例推理混合建模與應用.pdf_第1頁
已閱讀1頁,還剩66頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、癌癥、心臟病、糖尿病等重大突發(fā)疾病的早期發(fā)現和確診是疾病成功治療的關鍵。目前,對這些疾病的診斷主要依靠醫(yī)生的臨床經驗。而我國的醫(yī)療資源相對不足,不同地區(qū)、醫(yī)療機構間的診斷水平差異較大,因此導致患者無法得到及時的治療,醫(yī)療質量難以得到有效保證。本文將人工智能中較為成熟的技術——案例推理和貝葉斯網絡引入醫(yī)療診斷中,通過分析過往臨床數據,將醫(yī)生診斷經驗形式化、客觀化,以提高診斷的準確率。貝葉斯網絡和案例推理具有其各自的優(yōu)缺點,能將二者進行有效

2、融合并應用于醫(yī)療診斷的模型還非常少。
  本文在分析了貝葉斯網絡和案例推理的多種混合模型架構后,結合醫(yī)療診斷的特點,提出了一種BCBR模型。該模型以案例推理作為基本推理架構,將貝葉斯網絡作為一種數據挖掘工具來獲取診斷屬性間的關聯(lián)知識,并利用其特點簡化案例檢索過程。首先,通過計算信息增益比率,從大量診斷屬性中篩選最優(yōu)屬性子集,并對各屬性分配權重。其次,將數據分為各個子集,對每個子集分別建立貝葉斯網絡。對子集中的數據進行聚類,縮減檢索

3、空間,然后以框架的方法進行案例表示,從而得到了初始的案例庫。再次,將案例檢索分為初始匹配和二次檢索兩個過程,首先篩選出較匹配的一系列案例,再利用距離的方法計算相似度,從而得到最匹配的案例。最后,使用最匹配案例的貝葉斯網絡對待診斷病例進行判斷。
  本文將BCBR模型應用于乳腺癌診斷問題,使用美國UCI數據庫中的Wisconsin乳腺癌數據集進行模型的訓練和測試,并將結果與樸素貝葉斯分類器、案例推理分類器等進行了性能對比。結果表明B

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論