学术论文写作要点分析PPT.pptx

CBR-RBR 融合推理模型的构建 及在医疗领域的应用——谢涛 天津大学 管理科学与工程0研究意义在威胁人类的重要疾病中,心脏病是世界卫生组织公布的人类健康“头号杀手”。根据2009年我国最新的心脏性碎死流行病学调查结果,每十万人中就有近42人死于心脏性猝死,如果以我国总人口数13亿推算,我国死于心脏性碎死的总人数高达54.4万例/年,位列世界首位。对于心脏病这类高危疾病,其诊断过程具有特殊性和复杂性,心脏病病种的复杂多样,加上患者个体之间的差异性,使得心脏病的病理特征、临床症状的变化错综复杂,要求诊断医生具有很高的医疗水平。在我国,医疗资源的不对称性决定了医疗诊断水平、治疗效率及救护信息的决策水平的差异,使心脏病患者无法得到高水平的标准化救治,医疗质量难以得到有效保证。医疗决策支持系统（MDSS）能够通过计算机程序实现对医疗人员的决策支持及医学知识的科学分析,将患者的医疗处理过程中获取的经验和数据,经系统处理、评估以及利用科学研究所取得的知识,用于帮助医疗人员解决复杂的医学问题。因此,应用人工智能技术构建先进、有效的心脏病医疗决策支持系统,辅助医生对心脏病患者进行准确、快速地诊断和治疗,对于提高我国心脏病医疗救治的效率与品质、改善我国广大心脏病患者的健康质量,具有重要意义。1内容结构理论研究实证研究2 创新点提出了新的K-D树远端最近距离的计算方法，降低了K-D树检索算法的计算复杂度，并使用本算法对K-D树案例检索的NN方法和BBF方法进行了改进，经过测试本算法对方法和方法的改进都有明显的效果，进一步说明了本算法良好的性能及适应能力。利用基于该算法改进的K-D树检索方法，有效提升了CBR推理的案例检索效率。针对案例相似度计算的权重确定问题，提出了基于信息增益和粗糙集重要度的案例特征综合权重计算方法，通过动态调节经验指数，实现案例特征最优权重的确定。在建立的CBR-RBR融合推理模型中，将Bagging算法用于训练和集成RBR推理模块的C4.5决策树分类器，优化了RBR模块的推理性能，与其他CBR-RBR融合推理模型中模块使用单一分类器相比，本模型的RBR模块推理性能有了明显提高。3 摘 要从创新点要点来看 本文在总结分析了近年来关于案例特征选择、CBR案例检索、RBR推理以及CBR与RBR融合方式等相关理论方法的研究成果的基础上，结合医疗诊断的特点，构建了CBR-RBR融合推理的医疗诊断模型。本模型利用粗糙集理论进行病案特征选择，对病案特征的信息增益值和粗糙集重要度进行综合加权得到病案特征的最优权重，用于案例相似度计算提出新的计算K-D树远端最近距离的算法，改进了K-D树的搜索效率，并将这种改进的K-D树算法用于CBR案例检索；对CBR案例检索相似度低于设定阀值的病案，转入RBR推理，使用Bagging算法对C4.5决策树进行训练和集成，构建了Bagging-C4.5多分类器集成模型，有效提升了RBR推理性能。最后，本文将本模型应用于心脏病诊断问题，使用了美国UCI-Cleveland心脏病数据库进行训练和测试，并与其他相关研究进行了对比，结果表明本模型对心脏病的推理诊断准确度、灵敏度和特异性均达到很高水平，具有良好的心脏病诊断能力。创新点定位创新点主体内容没有点明创新点新在何处，没有选好现有研究的参照点以衬托本文的新意创新点解决的问题3 文献综述 论文文献综述分三个方面，对应三个创新点。每一部分都以当前研究的不足为落脚点，进而引发读者思考，同时引出作者的改进思路，突出文章创新点。案例的特征选择及权重计算 任海涛（2004）等利用改进的粗糙集属性重要度计算方法实现了对案例特征权重的自动获取,但是该改进算法使用粗糙集的属性约简,而求属性约简已被证明是NP问题,增大了算法复杂度…… Andras等（2008）使用信息增益计算特征权重,但信息增益存在偏向属性值取值较多的问题,信息增益大的属性并不一定是最优的属性。 为了使计算得到的案例特征属性的权重更为真实的反映案例特征的重要度,需要对案例特征属性以不同测度计算得到的属性重要性进行综合衡量。在不同测度计算权重的基础上,进行综合加权,利用综合加权的权重来确定案例特征的权重,是一种考虑更为全面的办法。对应创新点2——特征权重计算方法3 文献综述CBR案例检索方法 K-D树是适合于多维特征数据检索的一种数据结构。K-D树,也称为K维搜索树,是一种基于案例空间分解的树型数据结构,表示空间的维数。K-D树用一个超平面将案例空间分割开,再继续对分隔开的各个部分进行递归分割,每一层通过检查不同的案例属性取值来决定选择分枝的方向…… 目前,K-D树的检索算法主要有NN（Nearest Neighbor）方法和BBF（Best-Bin First）方法…… 二者的搜索算法存在一个共同缺陷,即在寻找