论文部分内容阅读
当今,在人们生产生活的各个方面、各个领域,人工智能的影子无处不在,人工智能正在逐步改变我们的生产方式和生活习惯。机器学习是人工智能的主要分支,它能从数据中自动挖掘学习模式,从而帮助人们作出更加科学、客观的决策,降低人为决策的失误率。医学疾病智能诊断是机器学习方法的重要应用场景,构建强大、高效、适用的智能决策模型,为疾病诊断提供科学合理的辅助决策,意义重大。本文围绕多种疾病诊断问题开展机器学习方法的研究,为皮肤病、胸腔积液和肾结石等疾病的辅助诊断构造智能诊断模型,提供决策参考。本文重点研究了极限学习机和核极限学习机等机器学习方法,在此基础上深入分析如何改进现有方法,使其在疾病诊断中达到更好的预测效果。对此,本文分别提出了基于分散觅食正余弦算法的极限学习机皮肤病诊断模型、基于混沌差分进化樽海鞘算法的极限学习机胸腔积液诊断模型、以及基于精英混沌黏菌算法的核极限学习机肾结石诊断模型。本文的主要研究内容如下:(1)对基于机器学习的相关疾病诊断和基于智能优化方法的极限学习机的研究现状进行了阐述,对现有研究存在的不足进行了分析,对本文的研究工作进行了设想规划。同时,简要介绍了常用的机器学习方法和智能优化算法,重点对极限学习机方法、核极限学习机方法和正余弦优化算法、樽海鞘优化算法、黏菌优化算法进行了阐述。这些相关知识作为理论支撑,为本文后续的工作提供了理论依据。(2)为了提高皮肤病诊断的准确率,建立一种基于分散觅食正余弦优化算法的极限学习机模型(DFSSCA-ELM)来对红斑鳞状皮肤疾病进行诊断。首先通过引入分散觅食机制提出一种基于分散觅食的正余弦优化算法(DFSSCA),采用CEC2017基准函数测试集评估该算法的优化性能,并且将该算法与8种性能优越的群智能算法进行对比分析;然后基于DFSSCA方法,对极限学习机的权值和阈值进行优化,从而提出一种新的DFSSCA-ELM预测模型,采用该模型对红斑鳞状皮肤病进行诊断预测,同时与5种机器学习模型进行对比研究,采用评估指标来衡量模型的整体性能。实验结果表明,DFSSCAELM模型在评估指标上实现了明显的提升,表明分散觅食机制能够有效地提高模型的预测能力。(3)为了提高胸腔积液诊断的准确率,本文基于混沌差分进化樽海鞘算法提出一种改进的极限学习机模型(CDESSA-ELM)来对胸腔积液进行诊断。混沌初始化机制和差分进化机制分别被用于提升樽海鞘算法的全局搜索能力和局部搜索能力,形成了改进的樽海鞘算法(CDESSA)。首先采用CEC2014函数测试集评估CDESSA的优化性能,并且将其与7种经过改进的群智能算法进行对比分析;然后采用CDESSA算法来优化极限学习机模型的参数,从而提出一种新的CDESSA-ELM预测模型,采用该模型对胸腔积液疾病诊断进行预测,同时将该模型与4种机器学习模型开展对比研究,并通过评估指标来衡量模型的整体性能。实验结果表明,CDESSA-ELM模型在所有的评估指标上都实现了明显的提升,表明混沌初始机制和差分进化机制能够有效地提高模型的预测能力。(4)为了提高肾结石诊断的准确率,建立一种基于精英混沌黏菌算法的核极限学习机模型(ECSMA-KELM)对肾结石疾病进行诊断。首先通过结合精英机制和混沌机制提出一种改进的黏菌优化算法(ECSMA),使得全局搜索能力和局部搜索能力达到一种比较稳定的状态,采用23个基准函数和CEC2014函数测试集中的8个复合函数对ECSMA算法的优化性能进行了评估,并且将其与12种经过改进的群智能算法进行对比分析;然后,基于ECSMA算法对KELM的关键参数进行了优化,构建了一种最优的ECSMA-KELM模型对肾结石进行诊断,同时将该模型与5种机器学习模型开展对比研究。实验结果表明,ECSMA-KELM模型在所有的评估指标上都实现了明显的提升,这表明精英机制和混沌机制能够有效地提高模型的预测能力。