阿爾茨海默病為不可逆性的神經(jīng)退行性疾病,目前暫無(wú)治愈的特效藥和相關(guān)技術(shù),因此盡早發(fā)現(xiàn)其前期階段——輕度認(rèn)知障礙并盡早治療成為挽救患者的唯一途徑。在此類神經(jīng)性疾病的計(jì)算機(jī)輔助診斷中,常用到磁共振影像,但是數(shù)據(jù)維度高且有效訓(xùn)練樣本少成為影響識(shí)別率的重要因素。本文主要的研究目的是提高基于高斯過(guò)程分類方法對(duì)AD/MCI計(jì)算機(jī)輔助診斷的性能。具體工作內(nèi)容如下:1.討論了幾種常用的分類方法,詳細(xì)研究了高斯過(guò)程分類模型的建模方法及求解流程。針對(duì)后驗(yàn)分布難于直接積分求解問(wèn)題,重點(diǎn)探討了分類應(yīng)用下的Laplace逼近算法。詳細(xì)闡述了本文所使用的分類器性能評(píng)價(jià)指標(biāo),以此驗(yàn)證改進(jìn)的分類方法的有效性。2.對(duì)AD/MCI小樣本分類問(wèn)題,以高斯過(guò)程為基礎(chǔ)設(shè)計(jì)了一種分步的分類方法:先對(duì)測(cè)試樣本利用高斯過(guò)程進(jìn)行初步分類;依據(jù)后驗(yàn)概率篩選類別歸屬確定性強(qiáng)的樣本作為補(bǔ)充參與訓(xùn)練,對(duì)其余錯(cuò)分可能性相對(duì)較高的樣本重新進(jìn)行分類。利用ADNI數(shù)據(jù)庫(kù)磁共振影像的分類實(shí)驗(yàn)表明二次分類傾向于增大樣本歸屬于真實(shí)類別的后驗(yàn)概率、提高類別判定的確定性,分類性能優(yōu)于常規(guī)的高斯過(guò)程分類方法和支持向量機(jī)。3.為增強(qiáng)高斯過(guò)程分類模型對(duì)高維復(fù)雜數(shù)據(jù)集... 

【文章來(lái)源】：山東科技大學(xué)山東省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．４受限玻爾茲曼機(jī)模型結(jié)構(gòu)圖??

隱含層存儲(chǔ)的數(shù)據(jù)為低維特征，ＤＢＮｓ中的每層神經(jīng)元都和上層中??的神經(jīng)元相連。ＤＢＮ結(jié)構(gòu)中相鄰的兩層可以看作一個(gè)單獨(dú)的ＲＢＭＰＩ，結(jié)構(gòu)圖如??圖２．５所示：??Ｓ１?＾圓??Ｉ：圓??圖２．５深度信念網(wǎng)絡(luò)結(jié)構(gòu)示意圖??Ｆｉｇｕｒｅ?２．５?Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｓ?Ｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ??具有Ｌ層隱含層的ＤＢＮ模型，可見(jiàn)層ｖ和隱含層Ａ的概率分布為：??／１－２?＼??Ｐ（ｖ，ｈ＇，－，ｈＬ）＝?Ｉ７２＂＂１）?ｐ｛ｈＬ￣ｘｙ）?式（２．６３）??ｖ?＾＝１?Ｊ??利用ＤＢＮｓ進(jìn)行分類的思想是：首先由訓(xùn)練樣本對(duì)ＤＢＮｓ模型進(jìn)行預(yù)訓(xùn)練，??在得到局部較優(yōu)解之后，在模型最上層添加分類器對(duì)網(wǎng)絡(luò)輸出的特征進(jìn)行分類，??通常使用ＳＶＭ分類器。由于模型輸出特征是在無(wú)監(jiān)督學(xué)習(xí)方法下提取的，因此??在進(jìn)行分類任務(wù)時(shí)，需要在分類器上添加樣本標(biāo)簽進(jìn)行有監(jiān)督訓(xùn)練，并為了使??分類效果更好，通常采用ＢＰ算法根據(jù)誤差對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。??訓(xùn)練ＤＢＮｓ模型主要由兩個(gè)階段組成

期間用于表示信號(hào)檢測(cè)特性時(shí)創(chuàng)造的，現(xiàn)在人們通常就稱之為Ｒ０Ｃ曲線而不用??其原始的全名。該曲線以靈敏度Ｓｎ即真陽(yáng)性率作為縱坐標(biāo)，假陽(yáng)性率（１－特異??度）作為橫坐標(biāo)，如下圖２．６所示。??對(duì)于一個(gè)分類器的分類性能，人們總是希望其真陽(yáng)性率高、假陽(yáng)性率低。??如果某種分類方法的真陽(yáng)性率總是等于其假陽(yáng)性率，那么就沒(méi)有任何應(yīng)用價(jià)值，??這就對(duì)應(yīng)于Ｒ０Ｃ曲線中的對(duì)角線。圖中（０，０）點(diǎn)和（１，１）點(diǎn)是兩種極端情況，??分別表示所有樣本都被判斷為陰性和所有樣本都被判斷為陽(yáng)性。每確定一個(gè)閾??值就決定了決策的真假陽(yáng)性率，對(duì)應(yīng)圖中曲線上的－個(gè)點(diǎn)，比如（０．１，０．８）點(diǎn)表??２３??

【參考文獻(xiàn)】：
期刊論文
[1]基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計(jì)算機(jī)科學(xué). 2017(S1)
[2]基于深度表示學(xué)習(xí)和高斯過(guò)程遷移學(xué)習(xí)的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰.  中文信息學(xué)報(bào). 2017(01)
[3]基于高斯過(guò)程的多分類器[J]. 黃維,童瑩,曹雪虹.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(04)
[4]一種基于復(fù)合稀疏表示的阿爾茨海默病的診斷方法[J]. 滕升華,商勝楠,王芳,趙增順.  生物醫(yī)學(xué)工程研究. 2016(01)
[5]基于支持向量機(jī)的老年癡呆癥-頭發(fā)微量元素相關(guān)性研究[J]. 楊興華,肖緹,吳鋒.  計(jì)算機(jī)與應(yīng)用化學(xué). 2013(02)



本文編號(hào)：3331002