基于Apriori算法的“证-症-方-药”关联模型的研究与设计

论文旨在发现中医诊治中的多维关联关系.介绍了关联规则算法的基本原理,并将关联规则发现算法引入中医诊治关系数据挖掘中.结合Apriori算法设计了中医治疗中“证-症-方-药”之间关联关系的挖掘模型.设计的模型能从海量数据中挖掘出专家治疗疾病的宝贵经验,为临床诊治和科学研究提供依据.     

基于LDA主题模型的中医药方剂相似度计算

评价中医药方剂的相似度的常用方法是基于方剂的功效和主治功能进行相似度分析,但存在相似度无法定量化的问题,并且没有考虑中医方剂组成成分的影响。提出了利用LDA主题模型发掘“方剂-证型-组成成分”的隐含关系的方法,将“方剂-组成成分”转化成“方剂-证型”和“证型-组成成分”两个概率分布,并利用KL散度距离来计算相似度。实验结果表明基于LDA主题模型的方法能够更好地计算方剂间的相似度,并且能较好地反映中医辩证论治。     

基于SimRank的中药“效-效”相似关系挖掘

中药“效-效”关联分析是中医药研究中最基本也是最重要的问题,对药效判断具有重要意义。该文旨在利用数据挖掘技术,从中药方剂数据中自动挖掘“效-效”相似关系,自动归纳不同药效之间的相似度,提出了基于SimRank方法的“效-效”相似关系挖掘算法。中医专家对算法输出结果的大量验证表明,该算法具有较高的正确率,其中“优良”和“合理”共占70.568%。     

基于结构学习的KNN分类算法

KNN（K-Nearest Neighbor）算法和贝叶斯网络分类算法（Bayesian Network，BN）都是目前应用非常广泛的分类算法。本文首先分析了KNN和BN的分类特点，然后在保留了两个算法在分类问题中优点的基础上，提出了基于贝叶斯网络结构学习的KNN算法（BN—KNN）。实验结果表明，BN—KNN算法能够有效地提高分类的正确率。     

基于值差度量和聚类优化的K最近邻算法在银行客户行为预测中的应用

为提升贷款金融客户行为预测的准确性,针对传统的K-最近邻（KNN）算法在数据分析中处理非数值因素的不完备问题,提出了一种采用值差度量（VDM）距离的对聚类结果迭代优化的改进KNN算法。首先对收集到的数据信息进行基于VDM距离的KNN算法的聚类,再对聚类结果进行迭代分析,最后通过联合训练提高了预测精度。基于葡萄牙零售银行2008-2013年收集的客户数据比较可知,改进的KNN算法与传统的KNN算法、基于属性值相关距离的KNN改进（FCD-KNN）算法、高斯贝叶斯算法、Gradient Boosting等现有算法相比具有更好的性能和稳定性,在银行数据预测客户行为中具有很大的应用价值。     

无先序条件约束的KNN算法

KNN(K-Nearest Neighbor)是向量空间模型中最好的分类算法之一,非常有效和容易实现.文中介绍了KNN算法的基本思想,并针对KNN算法在解决问题的时候存在只考虑样本的数值特征,没有考虑样本结构特征的缺点,利用贝叶斯网络结构的学习算法,加入了变量之间的因果关系,产生分类数据库中样本的结构特征权重,提出在无先序条件约束下,基于贝叶斯结构特征加权的KNN算法(BS-KNN,Bayesian structure KNN).实验结果表明,BS-KNN算法能够有效地提高分类的正确率.     

一种基于贝叶斯方法的序列模式挖掘算法

贝叶斯(Bayesian)方法是近年来数据挖掘中引人注目的研究热点之一，它有效地处理不完备数据、溢出数据和噪声数据之间的序列相关性。该文在对传统序列模式挖掘算法和贝叶斯知识研究的基础上，描述了序列的概率论模型，结合贝叶斯学习，简化了序列模式挖掘过程，提出了一种面向噪声数据的基于贝叶斯方法的序列模式挖掘算法。最后对该算法进行了复杂度分析，并验证了算法性能的优越性。     

基于Rough Sets的中医指症挖掘研究与应用

针对中医病历数据库中指症样本维数较大、数据特征和属性冗余量较多等特征,在对Rough Sets基本理论和属性约简算法研究的基础上,提出了将属性频度和属性重要性相结合的GENRED_GROWTH中医指症挖掘算法,并进行了基于GENRED_GROWTH的中医指症挖掘原型系统设计与实现。通过分析和实验结果表明:该算法能较好地进行中医指症属性约简,分类精度较高,并且能抽取中医指症相关诊断规则以辅助医生的诊断和治疗。     

最大熵在中医智能辨证的研究及其应用

分析了中医临床记录中症状与症候类别之间的关系,将机器学习中的最大熵原理应用于中医辨症中,建立相应的分类模型,从而观察类别预测的正确性,为中医智能诊断提供初筛和决策支持。同时,将基于最大熵的分类器和基于朴素贝叶斯的分类器进行比较,结果显示,基于最大熵的分类效果胜过朴素贝叶斯分类。这表明将最大熵原理以及算法应用在中医诊断是可行的。     

空间相关性分析的符号数据分类方法

针对目前符号数据的分类性能较低,通过挖掘属性值与标签之间可能存在的空间结构关系,提出了一种基于空间相关性分析的符号数据分类方法。该方法首先采用独热编码的方式对符号数据进行特征扩容,然后基于互信息和条件熵信息度量方法,定义了一种符号数据空间关系表示方法。在此基础上,分别结合支持向量机(support vector machine,SVM)和K-最近邻(K-nearest neighbor,KNN)模型分类器,提出了基于空间相关性分析的SVM分类算法(SVM classification algorithm based on space correlation analysis,SCA_SVM)和基于空间相关性分析的KNN分类算法(KNN classification algorithm based on space correlation analysis,SCA_KNN)两种分类算法。该方法既能够体现出属性值与标签之间的关联关系,也可以有效地度量不同属性值之间的距离或差异性。在标准UCI数据集上的实验结果表明,该方法在分类性能上更加有效。     

KNN-朴素贝叶斯算法的滚动轴承故障诊断

滚动轴承的故障诊断对于提高工业生产效率,保障工业生产的稳定安全地运行具有重要意义。为了提高滚动轴承故障识别的正确率,提出一种使用KNN-朴素贝叶斯决策组合算法对滚动轴承故障诊断。组合算法利用朴素贝叶斯算法对使用不同K值的KNN算法初步分类结果进行再分类以达到提高滚动轴承故障识别的目的。首先,使用小波包能量法对滚动轴承振动信号进行能量特征提取,然后使用多个参数K值不同的KNN算法对能量特征数据预分类,得到多个KNN算法分类结果集,将分类结果集进行处理得到预分类结果集,将预分类结果集作为朴素贝叶斯算法的输入,使用朴素贝叶斯算法对数据再分类。实验结果表明,组合算法相较于传统KNN算法及贝叶斯算法在滚动轴承的故障诊断率得到了有效提高,实现了对滚动轴承故障的有效诊断。     

基于熵权的K最临近算法改进

维度灾难直接影响到K最临近算法(KNN)的效率和准确率,将信息论中的信息熵理论与KNN算法结合起来,用信息熵理论进行属性约简,并根据特征属性与分类的相关度来确定各属性的权限,从而建立相关度与权重的内在联系。仿真实验表明,与传统的KNN相比,基于熵权的KNN改进方法在保持分类效率的情况下,使分类器的准确率得到了极大的提高。     

基于瞬态视觉诱发电位的识别算法研究

基于瞬态视觉诱发电位的研究是脑机接口研究中的一种方法,其核心在于瞬态视觉诱发电位的识别算法研究。采用累加平均和小波分解滤波从强噪声背景下提取微弱的视觉诱发电位,采用主成分分析提取诱发电位的特征,用K近邻算法对得到的特征信号进行模式识别。采集三名受试者的脑电数据作为处理对象,识别准确率可以达到95%。实验结果表明:该方法可以比较准确地识别瞬态视觉诱发电位。     

基于K-means和改进KNN算法的风电功率短期预测系统

为提高风电功率短期预测的准确性,针对KNN（K-Nearest Neighbor algorithm）算法在风电功率预测中的不足,提出了基于K-means和改进KNN算法的风电功率短期预测方法。利用K-means聚类方法确定风电历史样本的类别,对KNN算法中搜索相似历史样本集的方式进行了改进和优化,构建了预测模型,并采用C/S架构实现了预测系统的设计。该系统具有自修正功能,能够随着预测次数的增加,不断修正预测模型,逐渐降低预测的误差率。以吉林省某风电场历史数据为样本进行了仿真分析,结果显示该算法与其它算法相比平均绝对误差和均方根误差最大下降1.08%和0.48%,运算时间提升了5.45%,在风电功率超短期多步预测中具有推广应用价值。     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

基于腿部三角特征的贝叶斯步态识别方法

提出了一种基于步态序列中腿部三角特征的步态表示方法,在这种特征上用改进的朴素贝叶斯分类方法进行步态识别。选取步幅最大、最小两种情况下的姿态作为关键帧,用三角型模拟其腿部特征,提取三角型模型参数作为步态特征,识别时先分别用KNN和一种改进的N-best取得属性值在训练数据中的对应数值,然后用贝叶斯分类方法识别。在NLPR数据库上使用留一校验方法进行算法验证,实验证明该方法简单快速,而且取得了比较理想的识别效果。     

基于概率神经网络的中医脉象识别方法研究

中医脉象客观化研究的关键在于对各种脉象进行客观检测和正确识别。在长期对中医脉象进行临床检测、采集和分析的基础上,针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统识别方法和BP神经网络识别方法的不足,提出了一种基于概率神经网络(Probabilistic Neural Network,简称PNN)的中医脉象识别方法;运用所建立的PNN脉象识别模型对中医常见的12种脉象进行了识别和检验,识别正确率平均达93%(而传统模糊聚类方法的为75%,BP神经网络方法的为87.1%)。最后对PNN方法和BP神经网络方法的识别性能做了对比实验,发现在强噪声干扰下PNN方法对脉象的识别正确率远高于BP神经网络方法。     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

基于指纹识别特征选择的改进加权KNN算法

KNN是最著名的模式识别统计学方法之一。它是一种无参数分类方法,由于其分类的简单有效性,因此得到较为广泛的应用。但是对KNN分类系统的全面评价还有待进一步研究。提出的改进加权KNN算法相比之下具有更高和更加稳定的识别率。因为它在经典KNN算法基础上增加加权距离和类间相似度信息,比经典KNN这种单纯依靠投票的分类方法更加可靠,在分类识别研究中更具有研究和应用价值。