SVM算法研究及其在中醫(yī)臟腑辨證中的應用.pdf

1、支持向量機算法是基于結構風險最小化的分類方法。目前，該算法不僅在理論方面獲得了很大發(fā)展，而且在很多領域得以成功應用。本文研究了支持向量機理論，針對現(xiàn)有支持向量機算法的缺陷，提出了新的支持向量機改進算法，并將其與關聯(lián)規(guī)則相結合，運用于中醫(yī)臟腑辨證。 本文主要工作包括： 首先研究了支持向量機算法的理論基礎、基本原理及現(xiàn)有的支持向量機變形算法，如C-SVM系列、v-SVM系列、One-class SVM和LS-SVM等。為提出

2、新的支持向量機改進算法奠定理論基礎。 分析了現(xiàn)有二類分類支持向量機算法的不足，提出了基于類中心和屬性權重的二類分類支持向量機算法。該算法在訓練前對訓練集進行處理，去掉一部分不可能是支持向量的數(shù)據(jù)。使用機器學習數(shù)據(jù)庫中的數(shù)據(jù)集進行仿真實驗，結果發(fā)現(xiàn)該算法能夠減少訓練時間。 進一步探討了各種現(xiàn)有的多類分類支持向量機算法及其不足，結合前面預處理訓練集的思想，提出了基于類半徑的多類分類支持向量機算法。該算法在訓練前分析了訓練集中

3、各類所占區(qū)域的大小并進行排序，再使用one-class SVM進行分類。使用機器學習數(shù)據(jù)庫中的數(shù)據(jù)集進行仿真實驗，結果表明該算法的分類精度較高而且可以節(jié)省訓練時間。 最后，根據(jù)中醫(yī)臟腑辨證的過程和特點，提出了一種基于關聯(lián)規(guī)則的約簡算法，并將其與新提出的基于類半徑的多類分類支持向量機算法相結合，從而產(chǎn)生了一種新算法。該算法找出了癥狀到證候的關聯(lián)規(guī)則，并用其對中醫(yī)專家的大量醫(yī)案數(shù)據(jù)中的臟腑類癥狀群進行約簡，剔除那些與病人證候無直接關