本文利用核主成分分析法对乳腺癌的影响因子进行特征提取,以获取的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数分别通过粒子群算法和遗传算法进行选择优化,分别构建出KPCA-PSO-SVM模型和KPCA-GA-SVM模型,对乳腺肿块是否为恶性进行二分类。实验结果显示:KPCA-PSO-SVM模型和KPCA-GA-SVM模型相比PSO-SVM模型和GA-SVM模型在分类准确率方面和运行速度方面均有所提高,表明核主成分分析支持向量机可以用于乳腺癌疾病的辅助诊断,可以为医疗机构对乳腺癌疾病的诊断提供有力的决策支持。
利用机器学习方法来诊断疾病是目前发展较快的一个应用分支。SVM (Support Vector Machine,支持向量机)是一个被广泛使用的机器学习算法,它是在1995 年由Vapnik 等人提出的。该理论是基于统计学VC 维理论和结构风险最小原理提出的,它在解决小样本、非线性和高维模式识别方面展现出了较强的优势,现已广泛的应用于模式识别、回归估计等领域。但SVM 容易受输入变量过多和噪声的影响,过多的变量会使得运行的时间过长,变量之间的相关性和输入数据中存在的噪声会使得模型的稳定性和分类识别率降低。鉴于KPCA (Kernel Principal Component Analysis,核主成分分析)不仅具有降维、除噪的优势,而且能够提取非线性的特征信息,提高数据质量。因此本文把KPCA 引入到SVM中,建立KPCA-SVM 模型,实现乳腺癌的辅助诊断。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !