基于格论的聚类算法及其在大肠早癌诊断系统中的应用研究

论文摘要

数据挖掘是数据库研究、开发和应用最为活跃的分支之一,自提出以来就一直受到广泛的关注。通过数据挖掘,人们可以从海量的数据中获取大量隐藏的有价值的、潜在的知识。聚类分析作为数据挖掘的一个主要功能和任务,已经被广泛的研究了多年并取得了大量的成果,积累了一系列的理论知识和方法。随着数据库技术的飞速发展,各行各业中的信息数据也急剧地增长,而且数据的类型也由单一的数值型、文本型逐渐转变成混合型,这就对聚类分析技术提出了新的要求。从已有的文献来看,能有效处理混合型数据的算法相对较少。基于这一现状,本文重点研究了面向混合型数据的聚类算法,同时对其在医疗诊断系统中的应用进行了探讨。本文对已有的算法进行了研究比较之后,提出了一种基于格论的聚类新算法——CBL算法。该算法将整个数据空间划分成若干个格,通过数据对象之间格的覆盖数来度量他们的相似性,将对象划分到最相似的簇。实验结果表明,新算法能够有效地提高聚类的精度,尤其是在处理混合型数据的方面。针对所提出的新算法,本文还对算法参数的优化进行了深入研究:(1)基于遗传算法的思想,以聚类质量为标准设计适应度函数,对聚类数目进行优化,优化后的聚类数目与真实聚类数目极为接近;(2)根据新算法的特点,结合基于距离的聚类初始中心的优化方法的理论,提出了一种基于格的覆盖数的聚类初始中心点的优化方法,优化初始中心点后精度得到进一步的提高。最后以文章中提出的新算法为基础,设计出了应用于大肠早癌诊断数据处理系统聚类分析器的系统结构,并实现了相关功能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景和研究意义
• 1.2 激光诱导自体荧光（LIAF）技术简介
• 1.3 数据挖掘在医学领域的应用研究
• 1.3.1 数据挖掘及其意义
• 1.3.2 数据挖掘的功能
• 1.3.3 数据挖掘在医疗领域的应用及前景
• 1.4 本文的研究内容
• 1.5 论文结构安排
• 第二章 聚类分析的主要方法
• 2.1 聚类分析的基本概念
• 2.1.1 聚类的定义
• 2.1.2 数据挖掘对聚类的典型要求
• 2.2 主要聚类算法
• 2.2.1 划分方法
• 2.2.2 层次方法
• 2.2.3 基于密度的方法
• 2.2.4 基于网格的方法
• 2.2.5 基于模型的方法
• 2.3 本章小结
• 第三章 基于格论的聚类算法及数据特征提取
• 3.1 基本概念
• 3.1.1 格的定义
• 3.1.2 子格
• 3.1.3 覆盖关系
• 3.2 相似性的度量
• 3.2.1 基本思想
• 3.2.2 产生所有子格
• 3.2.3 计算所有的覆盖格
• 3.2.4 对象间的覆盖格
• 3.3 算法描述
• 3.3.1 基本思想
• 3.3.2 算法步骤
• 3.4 实验结果
• 3.4.1 公共数据集测试
• 3.4.2 大肠早癌临床数据实验
• 3.5 数据特征的提取
• 3.5.1 均值方差法
• 3.5.2 荧光强度比值判别法
• 3.6 本章小结
• 第四章 参数优化与实验
• 4.1 聚类数目k值的优化
• 4.1.1 遗传算法介绍
• 4.1.2 编码设计
• 4.1.3 适应度函数
• 4.1.4 方法描述
• 4.1.5 实验结果
• 4.2 一种新的聚类中心初始化方法
• 4.2.1 主要的中心点初始化方法
• 4.2.2 基于距离的初始化方法
• 4.2.3 基于覆盖数的初始化方法
• 4.2.4 优化初始聚类中心点实验结果
• 4.3 本章小结
• 第五章 系统的设计与实现
• 5.1 激光诱导自体荧光大肠早癌诊断系统整体结构
• 5.2 聚类分析子系统
• 5.2.1 设计目的
• 5.2.2 系统逻辑结构
• 5.2.3 系统功能设计
• 5.2.4 系统处理流程
• 5.3 系统运行实例
• 5.3.1 数据输入
• 5.3.2 数据预处理
• 5.3.3 参数优化和聚类处理
• 5.3.4 结果显示
• 5.4 本章小节
• 第六章 总结与展望
• 6.1 研究总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果