半監(jiān)督降維算法的研究及其在醫(yī)學專家系統(tǒng)中的應用.pdf

1、近年來隨著信息技術的發(fā)展,高維數(shù)據(jù)在科學界以及產(chǎn)業(yè)界出現(xiàn)的頻率越來越高,特別是計算機視覺、模式識別、航空航天以及生物信息等高新領域。這些數(shù)據(jù)的高維特性往往會成為我們處理時的障礙,相關的算法面臨著復雜度高導致計算結(jié)果不是最優(yōu)的問題。降維是通過將數(shù)據(jù)由高維約減到低維,以揭示數(shù)據(jù)本身的內(nèi)在低維結(jié)構(gòu)。它作為克服“維數(shù)災難”的方法在很多領域中都有著重要的作用。
　　過去的幾十年中,已經(jīng)有很多降維算法被不斷的提出來并被廣大研究者深入研究,常用

2、的像傳統(tǒng)的降維算法 PCA以及LDA;流形學習算法LLE、LED、ISOMAP以及LTSA等。早期的降維算法大多依賴數(shù)據(jù)樣本的分類信息。然而隨著信息技術的發(fā)展,很多時候有標簽樣本不容易獲得,存在著大量的無標簽樣本。為了充分利用數(shù)據(jù)樣本的信息,基于半監(jiān)督思想的降維方法應用也越來越廣泛。半監(jiān)督學習作為近年來機器學習領域的研究熱點之一,已經(jīng)從最初的半監(jiān)督分類和半監(jiān)督聚類拓展到了半監(jiān)督回歸以及半監(jiān)督降維等諸多領域。本論文就是基于一些實際應用,研

3、究了部分半監(jiān)督降維算法,具體如下:
　　LLE算法在流形學習領域是非常經(jīng)典的一種算法,但是其對于多類樣本混合的數(shù)據(jù)集的降維效果不是很好。(1)作者在基于多流形學習的基礎上對LLE進行了改進,并且根據(jù)項目需要融合了半監(jiān)督學習的思想,提出了其半監(jiān)督版本。
　　(2)標簽傳播算法(LP)是一種基于圖的半監(jiān)督學習算法,其核心思想是通過保持原始數(shù)據(jù)間的某些特定結(jié)構(gòu),將部分有標簽樣本的標簽信息通過某些方法傳遞給無標簽樣本,直到全局穩(wěn)定狀

4、態(tài)。在基于標簽傳播算法的基礎上,作者結(jié)合了局部線性嵌入算法的局部重構(gòu)的思想,對基于判別信息的局部排列做了改進,提出了其半監(jiān)督版本,采用流形結(jié)構(gòu)上的重構(gòu)權重結(jié)合部分標簽信息已知的樣本進行標簽傳播,利用傳播后獲得的全體數(shù)據(jù)軟標簽信息作為類別信息。并對該改進后的算法以及傳統(tǒng)的半監(jiān)督降維算法進行了實驗對比分析。
　　(3)近年來,醫(yī)學輔助診斷系統(tǒng)一直是一個非常熱門的話題,其在輔助診斷上的強大能力得到了醫(yī)生以及病人的肯定,對醫(yī)學診斷的發(fā)展也