检索结果-南通市图书馆

基于机器学习集成树算法的GNSS-R海面风速反演研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器学习集成树算法的GNSS-R海面风速反演研究

作者：陈召辽宁工程技术大学

学位级别：硕士

海面风场是重要的气象参数,对全球气候有着举足轻重的地位,因此对海面风场的探测与研究是非常具有价值和意义的。常规的获取海面风场的方法包括微波散射计、高度计以及孔径雷达等,但都受到成本和时间限制难以在大范围内探测海面风场。... 详细信息

海面风场是重要的气象参数,对全球气候有着举足轻重的地位,因此对海面风场的探测与研究是非常具有价值和意义的。常规的获取海面风场的方法包括微波散射计、高度计以及孔径雷达等,但都受到成本和时间限制难以在大范围内探测海面风场。全球导航卫星系统反射信号技术(Global Navigation Satellite System-Reflectometry,GNSS-R)作为一种被动式、低成本的海面遥感技术可用于大规模的海面风场探测。本文利用GNSS-R技术结合机器学习中常用的五种集成树模型算法反演海面风场为研究方向展开工作,研究内容和结果如下:(1)本文使用TechDemoSat-1(TDS-1)卫星的观测数据,首先对其进行特征提取、特征构建,寻找、建立与海面风速反演相关的物理特征,然后与欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的再分析场数据进行时空匹配构成原始数据集,对其进行筛选和归一化处理后切分成训练集和测试集,训练集用于集成树模型的学习及训练,测试集用于模型的优化和测试。(2)使用本文提及五种树模型:决策树、GBDT、XGBoost、随机森林和LightGBM结合五折交叉验证和网格搜索方法对海面风场进行反演,五种模型对20 m/s以下的风速预测误差最低为1.02 m/s,且全部模型的预测误差都低于2 m/s满足反演要求。在此基础上,选择反演效果较好的XGBoost和LightGBM作为基模型,采用Averaging、CV-Averaging以及Stacking方法进行模型融合,进一步提高机器学习模型反演海面风场的精度,其反演的最优精度最为0.91 m/s,相比于单模型反演效果具有明显提升效果,精度提升12%。(3)选择反演精度好的单模型和融合模型反演海面风场,结果显示随着数据集数量的增多,模型对数据样本的特征学习效果越好。(4)使用不同时间下的数据集反演海面风场,结果显示单模型对2019年1,2,3月海风反演误差在2 m/s以内,融合模型预测误差在1.1 m/s以内,模型对样本数据的泛化能力非常优秀,模型具有鲁棒性。本文基于机器学习模型集成树算法实现海面风场反演,与其他神经网络模型反演结果的均方根误差1.1 m/s相比,机器学习反演效果具有明显优势,精度提升了21%。该论文有图63篇,表14个,参考文献91篇

关键词： GNSS-R 机器学习集成树海面风场反演

基于集成树的航班过站关键节点时间特征选择方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成树的航班过站关键节点时间特征选择方法研究

作者：李基伟中国民航大学

学位级别：硕士

航班过站时间是由多个航班过站关键节点构成,影响因素众多,对航班过站时间的准确预估能够在航班延误发生后对下一班的航班离港时间作出正确判断,而对航班过站时间进行准确预估的前提,是对航班过站数据进行特征选择,找到影响航班过站关... 详细信息

航班过站时间是由多个航班过站关键节点构成,影响因素众多,对航班过站时间的准确预估能够在航班延误发生后对下一班的航班离港时间作出正确判断,而对航班过站时间进行准确预估的前提,是对航班过站数据进行特征选择,找到影响航班过站关键节点时间的重要特征子集,分析多维航班数据与航班过站关键节点时间的关系。当下航班过站数据特征选择普遍采用传统的数据统计方法,然而航班过站关键节点时间影响因素复杂,采用传统方法筛选特征子集难以取得满意效果。另一方面,在航班数据日益增长的大数据时代,随着民航数据量规模逐步增长,传统的离线数据处理模式也已经不适用于新的航班运控需求,在很多场景下需要在航班数据产生时立即捕获数据进行针对性的业务动作。针对上述存在的两种问题,论文进行如下研究:针对离线航班过站关键节点时间特征选择问题,提出了一种基于Light GBM集成树模型的航班过站数据特征选择方法。对航班过站数据进行研究,针对不同时间跨度的缺失航班数据设计了三种处理方法,并对类别特征进行特征编码,采用随机森林算法进行初步特征选择,基于Light GBM集成树构建航班过站数据特征选择模型,并通过网格搜索法进行参数优化。通过多组对比实验结果表明,该方法在各指标上表现更优,筛选出来的特征与航班过站关键节点时间的关联程度更高,更能反映特征数据与航班过站关键节点的关系。针对在线航班数据实时特征选择问题,设计了一种基于Spark的分布式航班过站关键节点时间实时特征选择方法,通过结合Flume与Kafka能够有效解决航班大数据流的并发采集问题,在Spark集群上使用Spark Streaming与增量Light GBM算法相结合解决实时特征选择问题,为大数据环境下的航班运控效能提升,提供了一个实时处理分析方案。实验结果表明,在保证预测准确度的情况下,该方法处理能力更高,效果更好。

关键词：集成树特征选择航班过站 LightGBM Spark

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成树的M型星光谱分类

光谱学与光谱分析 2019年第7期39卷 2288-2292页

作者：王晶衣振萍岳丽丽董慧芬潘景昌卜育德山东大学(威海)机电与信息工程学院山东威海264209 山东大学(威海)数学与统计学院山东威海264209

在赫罗图中,M巨星位于红巨星的顶端,是由类太阳的主序星逐渐演化而成的最明亮的一类恒星。M巨星的研究对于理解银河系,特别是银河系晕的性质至关重要。中低分辨率的M巨星光谱,常因为特征不显著、噪声影响等因素而与M矮星的光谱混在一起... 详细信息

在赫罗图中,M巨星位于红巨星的顶端,是由类太阳的主序星逐渐演化而成的最明亮的一类恒星。M巨星的研究对于理解银河系,特别是银河系晕的性质至关重要。中低分辨率的M巨星光谱,常因为特征不显著、噪声影响等因素而与M矮星的光谱混在一起,不易区分。现有研究一般利用CaH2+***5分子谱指数初步筛选M巨星光谱候选体,再通过人眼检查确认。但这种方法仅利用了三个巨星相关的分子带指数,没有利用识别M巨星的其他光谱特征,可能会由于噪声对指数的污染而导致分类错误。而且,人眼检查数量众多的光谱不仅耗时而且检查质量依赖于人的经验,可靠性无法得到保证。LAMOST望远镜自2011年开始先导巡天到2017年6月,已经发布了900多万天体的光谱,最新释放的光谱数据DR5包含了52万的M型星光谱数据,需要采用自动、准确、有效的方法来区分其中不同光度级的M子样本。本研究利用集成树模型分类M巨星和M矮星光谱,分别采用随机森林、GBDT、XGBoost和LightGBM算法,构建区分M巨星和M矮星的光度分类器。四种分类器的测试准确率分别达到97.23%,98%,98.05%和98.32%。实验表明LightGBM模型比其他三种集成树模型准确率更高,训练时间更少,分类效率更高。对分类器模型获取到的重要特征分析的结果表明,集成树算法有效提取并表达了用于区分M巨星和M矮星的结构性特征,模型提取到的重要特征不仅包括原子线或分子带吸收的波长位置,还包含了它们相邻的伪连续谱,这与传统上计算指数所需要特征波长和伪连续谱是一致的。相比于传统M巨星和M矮星分类方法,集成树模型能够采用光谱中的多个重要特征组合进行分类,避免仅依赖某一种特征易受噪声影响而得出错误的分类结果。研究结果表明集成树算法在巨星识别过程中具有显著优势,完全可以替代传统上只利用CaH和TiO指数的巨星光谱判别方法。基于集成树模型对M型星光谱的分类研究,为LAMOST高效、准确地处理海量天体光谱提供了有效的方法。随着LAMOST巡天项目不断开展,积累的M巨星和M矮星样本将为研究银河系的结构和演化提供重要的数据基础。

关键词： M巨星集成树光谱分类特征提取

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于集成树模型的A型恒星大气参数的测量

基于集成树模型的A型恒星大气参数的测量

作者：张洪颖辽宁科技大学

学位级别：硕士

LAMOST目前作为天体光谱获取率最高的天文望远镜是进行大视场、大样本天文学研究的有力工具,其最新一期释放的数据集已经超过1000万条光谱,是世界上第一个获取光谱数据超过千万量级的望远镜设备。本文主要针对LAMOST所获取的海量天体光... 详细信息

LAMOST目前作为天体光谱获取率最高的天文望远镜是进行大视场、大样本天文学研究的有力工具,其最新一期释放的数据集已经超过1000万条光谱,是世界上第一个获取光谱数据超过千万量级的望远镜设备。本文主要针对LAMOST所获取的海量天体光谱数据,进行天体光谱自动处理算法,特别是恒星大气参数的自动测量算法方面的研究。在恒星光谱中,线指数能够较好地保留恒星的物理特征信息,利用线指数这一物理特征对恒星进行参数测量能有效解决高维光谱数据运算复杂度较高的问题。本文即是基于LAMOST望远镜观测光谱数据,采取线指数作为主要输入特征,研究分析了极端随机树（Extremely Randomized Trees,Extra-Trees）、极端梯度提升树（Extreme Gradient Boosting,XGBoost）两种集成树模型在A型恒星大气物理参数自动测量方面的应用。工作内容主要包括:（1）设计并实现了基于极端随机树模型（Extra-Trees）的恒星光谱参数测量算法。利用LAMOST-DR6中A型恒星光谱数据集进行了一系列的实验测试,详细进行了基于该算法下26个线指数与恒星有效温度、表面重力及金属丰度三个参数的相关性分析,发现不同参数对26个线指数的依赖性有所不同,本文利用该结果分别采用了相关性较大的线指数来分别测量三个参数。同时,分析了三个物理参数与峰值波长的相互作用,发现峰值波长仅可以影响恒星有效温度和金属丰度的测量精度。最终的实验结果表明,参数测量精度优于随机森林（RF）和支持向量机回归（SVR）两种常用算法。（2）设计并实现了基于极端梯度提升树模型（XGBoost）的恒星光谱参数测量算法。XGBoost算法是对传统梯度提升决策树（GBDT）算法的一个重要的改进算法,该算法能够分布式处理高维稀疏特征,具有运行速度快、准确度高、不易过拟合的优点,本文通过引入网格搜索算法对XGBoost模型的主要参数进行了参数调优。同时本文亦考虑了输出三个大气参数之间的相关性,通过实验分析得到了在进行每个参数测量时输入特征加入了另外两个输出参数的次序,这一改进能够增加测量算法的输入特征信息量。一系列设计的实验结果表明,该算法相比于Extra-Trees和传统GBDT及SVR三种算法在三个参数取得的测量精度上都得到了有效提升。

关键词： Extra-Trees XGBoost 集成树 A型恒星光谱参数测量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于规则集成的可解释机器学习算法及应用

计算机科学与探索 2024年第6期18卷 1476-1490页

作者：闵继源鲁统宇任婷婷陈汝昊中国计量大学经济与管理学院杭州310018 东南大学网络空间安全学院南京211189

机器学习算法因其良好的预测性能已经取得了巨大的成功,但在对模型可解释性有着较高需求的领域,其适用性受到了限制。针对机器学习算法缺乏可解释性的缺点,基于规则集成思想提出一种新的可解释机器学习算法,称之为集成树惩罚逻辑规则回... 详细信息

机器学习算法因其良好的预测性能已经取得了巨大的成功,但在对模型可解释性有着较高需求的领域,其适用性受到了限制。针对机器学习算法缺乏可解释性的缺点,基于规则集成思想提出一种新的可解释机器学习算法,称之为集成树惩罚逻辑规则回归,它能以较小的结构复杂度实现与集成树算法相当的预测性能,并且保留了逻辑回归的解释效果。首先,从随机森林、XGBoost等集成树中提取分枝,并将其转换为逻辑规则。其次,对规则集进行剪枝和去重处理,以得到精简的规则集。最后,将规则作为变量融入逻辑回归中,并以Lasso算法进行复杂度控制。以企业风险预警作为实例,与多种机器学习算法进行实验对比,结果表明此算法不仅能很好地继承集成树的违约判别能力,在各个分类指标上均超越了大多数机器学习算法,而且可以通过规则给出企业风险指标的阈值,便于企业进行风险管理。进一步地,根据此算法制作企业信用评分,验证了它的广泛适用性,得到的评分符合客观规律且具有区分度,然后通过三个公开数据集验证了模型预测性能的稳健性。

关键词：可解释机器学习规则学习非线性回归集成树风险预警

基于可解释机器学习的银行网络系统性风险研究

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于可解释机器学习的银行网络系统性风险研究

作者：肖朋林东华大学

学位级别：硕士

金融安全是国家安全的重要组成部分,其中银行业是金融系统的重要子系统,更是国家金融安全的核心。找到影响稳定性的关键指标,解释发生银行网络系统性风险的具体原因,从而揭示银行网络系统参数与银行网络系统性风险间的映射关系,是无数... 详细信息

金融安全是国家安全的重要组成部分,其中银行业是金融系统的重要子系统,更是国家金融安全的核心。找到影响稳定性的关键指标,解释发生银行网络系统性风险的具体原因,从而揭示银行网络系统参数与银行网络系统性风险间的映射关系,是无数金融科研人员努力的方向。然而,由于实际银行网络系统参数多、耦合性强,且参数对系统稳定性的影响是非线性的,传统的基于计算机仿真的分析方法不能准确揭示银行网络系统参数与系统性风险间的映射关系。基于此,本文结合最近兴起的可解释机器学习技术,从数据驱动角度对银行网络系统进行可解释性分析。本文主要工作内容如下:首先,针对可解释算法在银行网络系统性风险分析中的应用进行探索研究,提出了基于决策树可解释性的分析方法,从宏观层面分析单参数变化时对银行网络系统性风险的影响。在使用决策树算法对银行网络系统仿真数据进行二次建模之后,利用决策树路径和部分依赖图对银行网络系统性风险进行解释性分析。基于决策路径总结出不同参数组合下对银行网络系统性风险的影响;并利用部分依赖图进行单参数分析时通过与计算机仿真结果进行对比分析,验证了可解释性算法在系统性风险研究方面的有效性。基于二次建模可解释性分析的前提是二次建模模型对银行网络系统数据具备高拟合性能。因此,针对决策树算法对银行网络系统仿真数据二次建模时准确率不高的问题,本文基于拟合集成树为单棵决策树的算法,提出了优化算法模型以提高生成单棵决策树模型的分类准确率。具体地,本文主要针对银行网络系统数据集不平衡的特点,借鉴Poly Loss方法,在训练以XGBoost为代表的集成树模型的过程中,将传统的交叉熵损失替换为Poly Loss损失,提高XGBoost算法分类准确率。再在拟合集成树为单棵决策树的算法过程中,将原本决策规则合并逻辑的简单平均法优化为考虑叶子节点样本数目的加权平均法,进一步提高了单棵决策树算法预测准确率。在银行网络系统数据集上进行验证实验,实验结果表明改进后的算法得到的单棵决策树模型预测准确率更高。最后,对于银行网络系统参数对系统性风险影响是耦合的、非线性的特点,本文采用事后解释技术对银行网络系统参数进行交互解释。具体地:基于Shapley交互博弈理论,采用SHAP计算框架,对银行网络系统双参数共同作用下对银行网络系统性风险的影响进行交互分析,详细解释了双参数交互对银行网络系统性风险影响的内在机理,并给出合理的调控建议;基于Shapley值理论,采用SHAP框架计算出每个特征对模型预测结果的贡献值,即Shapley值,通过决策图来分析多特征交互时不同参数对最终银行系统稳定性水平的贡献大小,从而实现多参数交互分析。

关键词：系统性风险可解释性决策树集成树交互解释

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于强化学习的社区矫正策略推荐方法研究

基于强化学习的社区矫正策略推荐方法研究

作者：王家德山东大学

学位级别：硕士

社区矫正制度是国家治理体系的重要组成部分,既是顺应国际化的趋势,也是为贯彻落实我国宽严相济的刑事政策而进行的一项刑罚执行制度改革。快速准确的对矫正人员信息分析的需求增加了社区矫正工作人员的压力,如何实现对矫正人员数据的... 详细信息

社区矫正制度是国家治理体系的重要组成部分,既是顺应国际化的趋势,也是为贯彻落实我国宽严相济的刑事政策而进行的一项刑罚执行制度改革。快速准确的对矫正人员信息分析的需求增加了社区矫正工作人员的压力,如何实现对矫正人员数据的自动的精准分析非常重要。当前矫正人员信息存在的数据量大、隐匿性强的特点。传统的社区矫正模式采取司法人员人工进行制定矫正策略的方式,存在社区矫正力量不足、矫正水平不一致等问题。为解决各地市矫正水平的差异问题,提高矫正策略的质量,提出了运用相关的技术实现社区矫正工作的信息化、智能化的要求。传统的社区矫正模式采取人工制定矫正策略的方式,存在主观性强,司法水平不一致等问题。强化学习具有自主学习的特点,是一种能够识别数据模式的极其高效的方式,可以通过对矫正策略的学习发现矫正策略与矫正人员信息中的联系。由于矫正人员信息的数据量大,人工制定矫正策略的方式效率较低,推荐系统能够对大量的数据进行分析,实现矫正策略合理的推荐。在矫正策略的推荐过程中,准确刻画矫正人员的用户画像和心理特征具有重要价值,如何挖掘出在不同情况下,把矫正人员的相关信息融入推荐的过程中,实现矫正人员的矫正方案的个性化推荐,并实现犯罪影响因子的研究基础上促进司法社区工作的跨域式升级。本文构建了基于子空间聚类方法进行矫正方案的准确匹配方法,并在此基础上,构建了基于强化学习的矫正方案的精确推荐,为提高司法社区的工作方式方法提供思路。本文针对矫正人员的个性化矫正策略推荐问题,基于实际场景,结合矫正人员的数据的特点,研究了一种结合矫正人员特征分析的矫正策略的推荐算法。主要的工作包含以下几点:(1)提出了一种基于特征子空间的矫正人员状态信息聚类算法。本文将高维度数据搜索问题局部化在相关维度中解决矫正策略标签的自动标记的问题。在社会学理论指导下设计数据驱动的统计评价标准来评价这些子空间的有效性,通过使用Boost集成树算法搜索特征重要性,进一步发现特征子空间聚类模式,将案例知识分解为不同的多个子案例知识,从而提升矫正策略备选推荐方案的准确性。(2)提出了一种基于深度强化学习的矫正策略推荐算法。本文对矫正人员信息进行深度挖掘,构建矫正人员的特征合集,利用领域知识建立矫正策略的评价准则,采用改进的强化学习算法对矫正人员特征和矫正策略特征进行学习,并采用加权的方式进行决策融合进行矫正方案的推荐。(3)矫正策略推荐系统的实现。通过调研和对该系统的需求进行分析,利用MVC架构、前端和后端技术搭建了矫正策略推荐系统。对系统架构采用分层设计,包括数据层、业务层和用户层。对数据存储的底层数据库采用Mysql数据库,通过接口使前端的网页和矫正策略推荐算法相连接,最终使系统稳定的运行。本文依托国家重点研发计划“研究基于社会状态监测大数据的假释、暂予监外执行人员的矫正智能决策技术”,将结合大数据矫正人员数据采集方式,在标签自动标记和矫正策略智能决策技术上形成突破,使矫正方案的制定更加的智能、精准,推动社区矫正领域问题的解决。本文依照项目中矫正人员的数据,设计实验实现本文的算法,并通过不同的算法进行对比,实验结果表明本文的算法的有效性。

关键词：推荐系统深度强化学习子空间聚类矫正策略集成树

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

市场化背景下基于人工智能的即时电价预测

市场化背景下基于人工智能的即时电价预测

作者：陶李君上海财经大学

学位级别：硕士

过去,许多国家的电力市场都受到一定的管制,这主要是因为电力的公共属性,政府需要确保居民可以用上价格实惠的电力,也要确保工商业可以平稳地开展生产。但是一个受到管制的电力市场也有着诸多不足之处。首先,它会影响发电企业的经营效... 详细信息

过去,许多国家的电力市场都受到一定的管制,这主要是因为电力的公共属性,政府需要确保居民可以用上价格实惠的电力,也要确保工商业可以平稳地开展生产。但是一个受到管制的电力市场也有着诸多不足之处。首先,它会影响发电企业的经营效益。由于生产电力原材料,例如煤炭的价格已经市场化了,那么当煤炭价格上涨的情况下,发电企业的经营利润会受到挤压,甚至出现亏本。其次,受到管制的电力市场也并不完全有利于居民、工商业等需求方。工商业需要缴付的电价往往要高于居民用电,这样就间接形成对居民用电的交叉补贴,而居民对此或全然不知,或毫不在意。对居民来说,过于便宜的价格导致在用电过程中忽略能源的节约,进而产生更多的支出。第三,受到管制的电力市场也会影响输配电行业的正常发展,削弱其发展的积极性。由于以上的几点原因,许多国家都根据自身国情,在不同时间开启电力市场化的相关改革。改革后,在一个减少管制的电力市场,可以通过价格反映日常的电力供需关系,引导各项资源优化配置,因此,电价就很自然地被当作电力市场中的核心环节。而和其他市场相仿,在市场化的运作下,在某一个时点,电价受到市场供需影响并最终确定;而在一段时间内,将每个时点连接起来,可以看到电价序列是在不断上下波动、起伏变化的。为了能够尽早、尽可能准确地知道未来一段时间内的电价,电力市场的参与方都希望有一种办法能够有效地对电力价格进行预测,使得自身在参与交易的过程当中尽可能跻身更为有利的位置,并以此开展经济上更有效益的交易。在这样的情况下,电力价格预测的是否准确、是否有效、是否快速变得愈来愈重要,愈来愈多的学者纷纷将目光投向了电价预测领域,开始潜心研究电价的预测。而由于电力本身会被各种各样的因素影响到,再结合市场化运作后新增的诸多变量变数,使得电价呈现出许多与其他商品所不同的特点,如高频率、聚集性、非线性、高波动、日历和四季效应,因此精准高效的电力价格预测绝非一件轻而易举的事情。为了寻找一种有效和精准的模型以实现电价的精准预测,本文在研究了市场化电价的形成机制、确定方式、不同市场的电价等基础上,分析了影响电价的外在因素和内在特点,研究了国内外学者不同的电价预测方法、流程和分类。本文选取了市场化程度较高的美国东北部新英格兰地区市场电价为研究数据,对机器学习、深度学习电价预测方法分别进行了比较研究。本文首先利用机器学习开展即时电价的预测研究,利用Bagging和Boosting这两大族集成树方法,结合网格寻参、随机寻参、贝叶斯寻参三种寻参方式,形成6种搭配模式进行电价预测实验和比较分析,得出贝叶斯寻参在预测精度和稳定性方面都要强于其他两种寻参方式,是一个更为优秀也更为可靠的实验工具。其次,本文使用深度学习编解码模型,以LSTM为编码器,有效提取更好的时序特征,再利用三种候选的解码器进行即时电价预测,针对之前编码器的特征,去更好地进行预测。三种候选的解码器分别为:单层LSTM、多层LSTM、多层BiLSTM。与此同时,在实验过程中我们结合SGD、RMSprop、Adam三种优化算法,形成9种搭配模式进行电价预测实验和比较分析,最终得出实验效果最好的一种搭配方式,即:多层BiLSTM在我们实验条件下更适合作为解码器,Adam优化算法效果更好,两者相互搭配,形成了最好的实验结果,预测结果更为精准。最后,本文将基于机器学习的实验结果与基于深度学习的实验结果进行综合比较,可以发现基于深度学习的编解码时间序列电价研究方法,无论是哪种搭配方式,在工作效率上都要完胜机器学习的方法;但是在解码器或者是优化算法的选择上需要通过理论和实验相结合的方式加以验证。如果在选择上太过随意,或者搭配不当,实验误差也会高于机器学习,无法得到理想实验结果。

关键词：电价预测集成树贝叶斯寻参深度学习编解码模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中医辅助诊疗关键技术研究

中医辅助诊疗关键技术研究

作者：陈军亚河南科技大学

学位级别：硕士

中医药是中华民族的瑰宝,是我国独特的卫生资源,对我国社会经济发展具有重要作用。随着计算机和互联网技术的发展,“互联网+医疗”为中医药发展提供了动力。结合“互联网+”技术,根据中医看病和开药方过程构建中医辅助诊疗系统,该系统... 详细信息

中医药是中华民族的瑰宝,是我国独特的卫生资源,对我国社会经济发展具有重要作用。随着计算机和互联网技术的发展,“互联网+医疗”为中医药发展提供了动力。结合“互联网+”技术,根据中医看病和开药方过程构建中医辅助诊疗系统,该系统能够帮助中医减少对各种药材、处方的记忆和查找,提高中医的医疗水平和效率,且能够有效解决中医药资源不足问题。中医诊疗包括两个阶段,分别是诊断和治疗,两者相互紧密关联。首先中医通过四诊合参全面了解患者病情,然后根据患者的症状体征,依据自己的临床经验知识对患者作出诊断,最后在诊断结果的基础上为患者制定合理的治疗方案。因此,辅助诊疗是中医辅助诊疗系统中的关键技术难题。针对中医辅助诊疗系统的关键技术难题,本文提出基于粗糙集的集成树的医学辅助诊断方法以及基于本体知识库的用药和处方推荐方法,并初步构建了中医辅助诊疗平台。主要研究内容有:1.基于粗糙集的集成树医学辅助诊断方法。为了降低医疗数据的冗余度,快速提取有用的医疗价值,提高医学诊断精度,首先采用基于粗糙集信息熵的属性约简算法对医疗数据进行属性约简,再采用基于C4.5决策树的Bagging集成树算法对经过属性约简产生的病例集进行训练学习。最后试验结果表明该方法不仅能够降低医疗数据的冗余度,同时能够提高医疗诊断的精度。2.基于本体知识库的用药和处方推荐方法。采用七步法构建中医领域本体知识库,以提高知识的共享性和重用性。并据此构建基于Apriori算法的用药推荐方法和基于协同过滤的处方推荐方法。最后试验结果表明基于Apriori算法的用药推荐方法能够有效地向中医推荐中药材,而基于本体的协同过滤处方推荐方法具有较高的准确性。3.中医辅助诊疗平台构建。运用“中医辨证论治系统”结合计算机应用和信息网络技术,使用Java编程语言初步构建了中医辅助诊疗平台,实现了辅助中医疾病诊断、推荐经典方剂和名老中医验方以及中医知识检索和学习功能。本文采用基于粗糙集信息熵属性约简的集成树方法来辅助中医进行疾病诊断分类。采用基于本体知识库的用药和处方推荐方法为中医进行用药和处方推荐。初步构建的中医辅助诊疗平台实现了辅助中医对患者的诊疗。

关键词：属性约简集成树本体数据挖掘辅助诊疗