2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩65頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、近年來(lái),隨著醫(yī)學(xué)技術(shù)的發(fā)展和醫(yī)療信息化技術(shù)的日益普及,特別是隨著醫(yī)院各種電子診療設(shè)備的廣泛引入,使得醫(yī)療數(shù)據(jù)越來(lái)越多,且呈現(xiàn)急劇增長(zhǎng)的趨勢(shì),標(biāo)志著醫(yī)療數(shù)據(jù)已經(jīng)進(jìn)入了一個(gè)大數(shù)據(jù)的時(shí)代。如何利用信息技術(shù)從這些數(shù)據(jù)中發(fā)現(xiàn)有用的或未知的信息,為醫(yī)生提供輔助醫(yī)療診斷已經(jīng)成為目前研究的一個(gè)重要方向。
  SVM作為一種良好的數(shù)據(jù)分類方法,可用于基于特征值的病理分類,然而在其建模過(guò)程中存在諸多人工因素干預(yù),如核函數(shù)選取、常量參數(shù)確定等。本文將以

2、乳腺腫瘤數(shù)據(jù)為應(yīng)用背景,就SVM分類模型的建模過(guò)程以及核函數(shù)選擇、參數(shù)尋找等方面展開研究,本文主要包括如下內(nèi)容:
  (1)分析了目前常用的SVM、BP神經(jīng)網(wǎng)絡(luò)、決策樹等方法的分類原理,介紹了粒子群算法進(jìn)行參數(shù)尋優(yōu)的機(jī)制,以及核參數(shù)的相關(guān)理論。
  (2)研究了SVM模型的建模過(guò)程,建立了對(duì)乳腺腫瘤進(jìn)行分類的優(yōu)化模型。針對(duì)數(shù)據(jù)集的歸一化問(wèn)題進(jìn)行了探討,分析了數(shù)據(jù)歸一化對(duì)分類結(jié)果的影響。討論了核函數(shù)的選擇問(wèn)題,驗(yàn)證了徑向基核函

3、數(shù)具有明顯的分類效果。對(duì)于模型的參數(shù)C和g的選擇,采用了一種逐步精細(xì)化的二次尋優(yōu)方法,第一次從粗略的參數(shù)范圍入手,第二次在精細(xì)的范圍內(nèi)找到相對(duì)優(yōu)化的參數(shù)。實(shí)際測(cè)試結(jié)果表明,建立的模型具有很好的分類準(zhǔn)確率。
  (3)對(duì)利用粒子群算法優(yōu)化SVM模型參數(shù)進(jìn)行了研究。分析了傳統(tǒng)粒子群算法對(duì)SVM的懲罰參數(shù)C和核參數(shù)g進(jìn)行尋優(yōu)的方法,針對(duì)傳統(tǒng)算法學(xué)習(xí)因子采用經(jīng)驗(yàn)值,介紹了一種動(dòng)態(tài)修改學(xué)習(xí)因子的改進(jìn)算法。通過(guò)實(shí)驗(yàn)對(duì)這兩種方法的分類效果進(jìn)行比

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論