基于PCA的医疗数据特征提取方法研究及应用

论文摘要

在对高维数据的处理中,若不考虑数据降维的问题,会导致数据量大,计算复杂,难以提取有价值的信息等问题,因此,高维数据的特征提取是数据挖掘中重要的数据预处理问题。高维数据特征提取是从原始数据中提取对分类识别最有效的特征,以表示原始数据,从而实现特征空间维数的压缩。本文以湖南省自然科学基金项目为背景,系统研究了激光诱导自体荧光光谱数据的特征提取技术。本文通过分析比较当前经典的特征提取技术,并分析其优缺点,提出了两种数据特征提取方法。首先,从统计分析角度,提出了一种基于主成分判别分析的特征提取方法,该方法克服了主成分分析中鲁棒性差、没有充分利用类别信息的问题,克服了FLDA算法的小样本问题和秩限制问题,可有效降低数据维数。其次,引入粗糙集理论,从知识发现的角度提出了基于容错关系信息熵的粗糙主成分分析方法,该方法不需要任何先验知识,可对知识进行严密分析和处理。通过实验证明,粗糙主成分分析方法不仅解决了主成分判别分析方法难以处理的信息不完备问题,而且取得了更高的分类识别率、敏感性和特异性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景
• 1.2 特征提取技术的研究现状
• 1.3 激光诱导荧光光谱数据特征提取研究现状
• 1.4 本文研究内容与意义
• 1.4.1 激光诱导自体荧光诊断系统
• 1.4.2 特征提取的意义
• 1.5 论文组织结构
• 第二章 特征提取的基本方法
• 2.1 概述
• 2.2 主成分分析
• 2.2.1 基本思想
• 2.2.2 主成分定义及性质
• 2.2.3 算法实现
• 2.3 Fisher线性判别分析
• 2.3.1 基本思想
• 2.3.2 Fisher线性判别分析定义
• 2.3.3 算法实现
• 2.3.4 Fisher判别和PCA的比较
• 2.4 粗糙集理论
• 2.5 本章小结
• 第三章 基于主成分判别分析方法的特征提取
• 3.1 概述
• 3.2 数据准备
• 3.2.1 数据采集
• 3.2.2 数据除噪
• 3.3 主成分判别分析法
• 3.3.1 AFLDA的基本思想
• 3.3.2 算法步骤
• 3.4 实验结果及分析
• 3.4.1 数据集说明及性能指标
• 3.4.2 实验结果与分析
• 3.5 本章小结
• 第四章 基于粗糙主成分分析方法的特征提取
• 4.1 粗糙集理论的基本概念
• 4.1.1 基于粗糙集理论的知识表达系统
• 4.1.2 近似与粗糙集
• 4.1.3 约简与核
• 4.1.4 信息熵
• 4.2 基于容错关系的粗糙集模型
• 4.2.1 基于容错关系的粗糙集模型基本概念
• 4.2.2 基于容错关系的信息熵
• 4.3 基于容错关系信息熵的属性约简算法
• 4.3.1 算法描述
• 4.3.2 实例分析
• 4.4 基于容错关系信息熵的粗糙主成分分析方法
• 4.4.1 算法步骤
• 4.4.2 算法分析
• 4.5 实验结果与分析
• AFLDA和RPCA的比较'>4.6 PCA_AFLDA和RPCA的比较
• 4.7 本章小结
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 研究工作展望
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果