论文部分内容阅读
近年来,随着计算机以及人工智能技术的高速发展,计算机辅助诊断技术（Computer Aided Diagnosis,CAD）在医疗卫生行业取得了较快的进步。其中概率神经网络（Probabilistic Neural Network,PNN）作为人工智能的代表技术之一,具有计算简单、学习过程简洁、分类能力强的特点,这使其在医疗辅助诊断领域也得到了一定的应用空间。然而PNN存在网络冗杂度高、参数待优化等缺点,这一度限制了PNN网络在医学诊断领域的推广和发展。为了将概率神经网络更好的应用于医疗辅助诊断系统中,本文提出一种基于改进版粒子群算法（Improved Particle Swarm Optimization,IPSO）优化的PNN辅助诊断模型。该模型以算法优化的模式去弥补了原始PNN网络存在的不足,为医学界提供了一种高效的辅助诊断模型。本文的主要研究工作如下:（1）介绍了PNN网络的理论基础、网络的模型结构以及学习训练方法,并分析了采用PNN网络去实现分类诊断时候存在的不足。（2）利用主成分分析法（Principal Components Analysis,PCA）提取出原始病理数据中占据主导地位的差异性特征,降低该特征数据的维度,从而有助于降低模型的网络复杂度以及加快模型训练速度。（3）建立了基于IPSO优化的PNN辅助诊断模型,该模型能利用IPSO算法选择出PNN网络的最佳平滑因子?best,然后利用?best去训练PNN网络,最后得到一种高效的基于概率神经网络的预测诊断模型。（4）本文将上述3种算法结合,最终提出了一种PCA-IPSO-PNN（PIP）模型,并将其应用于乳腺肿瘤和冠心病的辅助诊断之中,仿真实验结果显示PCA-IPSO-PNN模型在预测能力、敏感性、特异性和分类能力上均要优于传统的BP神经网络,LVQ神经网络,以及普通的PNN网络。