基于隐结构的贝叶斯网络的建立及其在中医辨证中的应用

• 作 者: 王灼龙
• 出 处: 华东理工大学
• 发表日期: 2016年01期
• 关键词: 中医辨证 慢性胃炎 特征选择 隐变量 贝叶斯网络

随着机器学习的快速发展,贝叶斯网络已经被应用到很多领域中,贝叶斯网络一直是机器学习研究热点。在贝叶斯网络学习中一个重要的问题是当网络中含有隐变量时,网络的学习问题,这些潜在或者隐藏的变量能够汇聚显变量之间复杂的依赖关系,简化网络模型,能对网络的学习,推理产生重要的影响。因此对含有隐变量的贝叶斯网络的学习是一个很有意义的研究内容。同时在中医辨证中作为辨证最基本的要素—证素不能被直接观测到,却包含了病位与病性等重要信息,是中医辨证的主要依据。所以隐变量在中医辨证中也有很重要的作用。基于隐变量的重要性,本文首先通过对贝叶斯网络的学习得到含有隐变量的贝叶斯网络,然后将其应用到中医辨证之中,实现中医辨证的客观化。本文所做的主要工作有以下两点。1.提出了一种基于特征组选择的特征选择方法,区别于其它特征选择方法对单个特征的取舍,该特征选择方法首先通过特征聚类对原始特征聚类,并结合分类器的分类准确率对特征组进行选择。与此同时在特征聚类的基础上提出了一种含有隐变量的贝叶斯网络学习算法。为了验证算法的有效性将这两种算法应用到了慢性胃炎中医辨证中,对慢性胃炎中医证型的主症进行了挑选并且建立中医辨证分类模型。对模型的定性与定量的分析可知,通过这两种算法建立的模型在特征的挑选与模型的定量讨论上与中医辨证理论均较为吻合。同时将所建立模型应用到慢性胃炎中医数据多标记学习之中取得了较好的分类效果。2.受到深度学习思想的启发,提出了一种基于多维聚类的含有隐变量的贝叶斯网络分类算法—CBMC算法,将适用于多维聚类的算法应用到了分类领域中。该算法主要分为无监督的多维聚类与有监督的模型调整两个部分。通过无监督的多维聚类向模型中引入隐变量,通过有监督的调整对模型进行进一步的优化。为了验证算法的有效性将算法应用到了慢性胃炎中医辨证中,构建了慢性胃炎中医辨证模型。通过与常用的经典分类算法(如NB,C4.5等)相比发现在慢性胃炎中医辨证中CBMC算法有较高的分类准确率,通过对模型进行多标记学习发现其平均准确率能达到82.6%,分类性能优于多数现有的多标记分类器。