演化计算在医学数据挖掘中的应用研究

摘要

任何一门学科的快速发展都离不开社会需求的支持和推动，随着人们对生活质量和健康水平的日益重视，医学已经成为本世纪发展得最快的学科之一。在医学迅猛发展的过程中积累了大量的数据，毋庸置疑，其中的大部分医学数据都包含了极其宝贵的信息，于是如何有效管理和利用这些数据成为亟待解决的问题，由此催生了医学信息学和生物信息学这两门衍生学科，它们在侧重点、研究方法、研究对象等方面都存在诸多差异，但是适用于医学数据的数据分析和挖掘技术却是这两门学科共同关注的焦点。
　　本文在深入研究基因表达式编程和数据挖掘技术的基础上提出了两个适用于医学数据挖掘的算法：基于基因表达式编程和粗糙集的属性约简算法GEPFS以及基于基因表达式编程的核 K近邻分类器 GEPKNN。GEPFS适用于离散型数据的属性约简，它力图在最小化属性子集和最大化分类精度两方面达到平衡，实验表明约简后的数据质量确实得到了一定程度的改善。GEPKNN则试图改进目前广泛应用于生物信息学领域的核 K近邻分类器，它自动地为核 K近邻分类器构造与数据相关的核函数，避免了人工指定核函数的主观随意性，从而提升了核K近邻分类器的分类性能。
　　在文章的最后，我们把上述两个算法分别用于两个有实际应用价值的医学数据挖掘问题——自动化导诊和微阵列数据分类。实验表明它们在各自的应用领域都取得了比较好的效果

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1 引言

1.2 医学数据挖掘的研究现状

1.3 演化计算的背景和发展历程

1.4 本文的主要工作和创新点

1.5 本文的组织

第二章 基因表达式编程与数据挖掘

2.1 GEP 的基本思想

2.2 GEP 的特点

2.4 数据挖掘中的分类算法

2.5 GEP 的新进展及其在数据挖掘领域的应用现状

2.6 本章小结

第三章 基于 GEP 的医学数据挖掘

3.1 基于 GEP 和粗糙集的离散值数据属性约简

3.2 基于基因表达式编程的核近邻分类器

3.3 本章小结

第四章 应用实例

4.1 Weka 和 ECJ 简介

4.2 导诊自动化系统

4.3 微阵列数据分类

4.4 本章小结

第五章 结论与展望

致谢

参考文献

附录

声明