支持向量机在动物疫病辅助诊断系统中的研究与应用

论文摘要

目前,在动物疾病诊断的过程中,兽医通常根据医疗仪器对动物的检查结果、动物表现出来的明显症状和自己所掌握的病理学知识以及多年积累的诊断经验,在对病情进行综合分析和判断后,才能得出诊断结果。但这种诊断方法受主观因素影响比较大,诊断结果的正确与否与医生的医疗水平密切相关。虽然我国拥有一定数量的兽医学专家,但在偏远地区,兽医专家的数量相对较少。而大型的畜牧业养殖场往往位于偏远地区,这就导致各种病症诊断的准确性和及时性一直不能令人满意,从而造成很大的经济损失。因而人们一直希望有一种智能诊断的方法,辅助从业人员排除人为因素,进行客观、准确、及时的诊断。从本质上讲,动物疾病诊断是一个模式分类与识别问题,即根据动物患病症状判断其所患疾病。支持向量机是在统计学理论的VC维和结构风险最小化原理基础上发展起来的一种新的机器学习方法。在很大程度上克服了传统的基于规则的诊断方法的局限性。在解决小样本、非线性和高维模式识别问题上,SVM表现出许多特有的优势。其能根据有限的样本数量,在模型的复杂性和学习能力之间寻求最佳折衷,以求获得最好的推广能力。本文设计了基于支持向量机的动物疾病智能诊断模型,并利用该模型对奶牛疾病进行诊断试验。结果表明该方法是切实有效的,为动物疾病诊断技术提供了一条新的思路。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景
• 1.2 智能诊断技术的发展
• 1.3 智能诊断技术的研究现状
• 1.4 主要研究内容
• 第2章 智能疫病诊断系统的理论基础及支持向量机
• 2.1 智能疫病诊断系统的理论基础
• 2.1.1 计算机进行疾病诊断的理论基础
• 2.1.2 智能疫病诊断系统结构
• 2.2 机器学习和支持向量机
• 2.2.1 机器学习
• 2.2.2 统计学基本理论
• 2.3 支持向量机
• 2.3.1 核函数
• 2.3.2 多类问题的支持向量机
• 2.4 本章小结
• 第3章 基于SVM 的动物疾病辅助诊断的设计
• 3.1 疾病知识表示
• 3.1.1 疾病症状属性值的标准化
• 3.2 模型原理
• 3.3 基于SVM 的动物疫病诊断模型
• 3.4 系统实现
• 3.4.1 技术路线及开发环境
• 3.4.2 系统框架
• 3.4.3 设计目标
• 3.4.4 功能描述
• 3.4.5 数据库设计
• 3.4.6 系统主要类定义
• 3.4.7 系统界面
• 3.4.8 系统特点
• 3.5 本章小结
• 第4章 实验及结果分析
• 4.1 病例样本的收集与整理
• 4.2 核函数选取和参数确定
• 4.3 结果分析
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 课题展望
• 参考文献
• 攻读硕士学位期间研究成果
• 致谢