文档介绍：基于Naive Bayesian算法改进的智能诊病系统研究
摘要:本文简述了智能诊病系统的发展,简单介绍了智能诊病系统,指出了它的一些局限性,并且介?B了Naive Bayesian算法的原理,提出了以该算法为基础的改进方案。
本文采集自网络,本站发布的论文均是优质论文,供学****和研究使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,请通知我们删除已转载的信息。
关键词:智能诊病;人工智能;专家系统;知识库;推理机;Naive Bayesian算法
中图分类号: 文献识别码:A 文章编号:1001-828X(2017)009-0-01
一、智能诊病系统的发展
人工智能是现今最尖端的技术之一,近三十年来,人工智能发展迅速,在很多领域都得到了广泛的应用。专家系统是人工智能重要的一个分支,它通过一个或多个专家提供的专业领域知识,模拟人类专家解决那些需要专业领域知识才能完成的问题。1965年,美国斯坦福大学研制出了DENRAL系统,该系统具有丰富的化学知识,能帮助化学家推断出分子的结构。DENRAL系统的完成标志着专家系统的诞生。20世纪70年代初, NTERNIST系统在匹兹堡大学问世,这是第一个用于医疗的内科病诊断咨询系统。同一时期,一款能够帮助普通内科医生诊治细菌感染性疾病的专家系统MYCIN也在斯坦福大学出世,这两款专家系统的成功激发了智能诊病系统的开发热潮,国内外都开始往这方面投入大量的人力物力。到21世纪初,智能诊病系统已经相对成熟。
二、智能诊病系统
智能诊病系统以基于规则的方式来构建系统,它主要将系统分为知识库和推理机两部分,知识库中存储着各种医学知识的集合,包含从书本中知识,以及医学专家的知识和经验,而推理机根据用户提供的有效信息,来决定所使用的推理规则,通过从知识库中获取的相关知识进行推理判断,从而得出最终的结论。推理分为精确推理和不精确推理,精确推理根据条件和结论之间的必然性,得出的结果是肯定的,不精确推理:在条件不足的情况下,得到的假设不能被完全证实,这个时候为每个假设赋予一个权值来表明这个假设的可信度,通过这些假设进行下一步推理,可能会得到多个不同的结论,以可信度最高的结论作为最终结论。
三、智能诊病系统的缺点
难以得到足够知识和规则填充知识库,智能诊病系统做为基于规则的专家系统,需要以大量知识和医学专家规则作为基础,才能够准确地诊断病人的病情,这就需要大量的医学专家和知识工程师的参与才能够实现。
缺乏学****能力,跟一般的基于规则的专家系统一样,智能诊病系统不具备从诊病过程中提取经验进行学****的能力,只会依循本来就存在的规则和知识进行推理判断,更新知识库,添加规则些工作仍然需要知识工程师来完成。
Naive Bayesian算法:
Na?ve Bayesian 算法能够较好地对事物进行分类,具有结构简单,计算高效等特点,是分类算法中最经典,最有影响力的算法之一。Na?ve Bayesian算法首先需要通过训练样本计算出先验概率,在此基础上,计算一个待分类的后验概率。下面是Na?ve Bayesian 算法的定义,对于一个待分类的事物x,设:
{a1,a2,a3,……an}这样一个属性集,每个a都是x的一个特征属性