基于混合細(xì)菌覓食和粒子群的k-means聚類算法在類風(fēng)濕并發(fā)癥中的研究.pdf

1、電子病歷（Electronic Medical Records）積累了大量的醫(yī)療診斷信息。如何挖掘海量病歷背后隱藏的信息，為醫(yī)生的診斷提供參考成為當(dāng)下研究的熱點(diǎn)。通過數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)電子病歷數(shù)據(jù)中有價(jià)值的知識，可以為臨床診斷和治療供給科學(xué)意見，提升治療效果，有廣闊的應(yīng)用遠(yuǎn)景和現(xiàn)實(shí)意義。
　　本文一開始針對傳統(tǒng)數(shù)據(jù)挖掘中的k-means聚類算法中初值的敏感性，容易陷入局部最優(yōu)解的缺陷，提出了一種確定 k-means初始聚類中心的聚類

2、算法。該算法將全局搜索能力強(qiáng)的粒子群算法與局部搜索能力強(qiáng)的細(xì)菌覓食算法結(jié)合，將細(xì)菌的趨化行為簡化為粒子群中粒子尋找最優(yōu)解的過程，再利用細(xì)菌完成復(fù)制、遷徙操作。將混合算法的最優(yōu)解確定為初始聚類中心，解決了k-means算法隨機(jī)選擇聚類中心的弊端。對Iris、Wine、Glass等UCI數(shù)據(jù)集的測試結(jié)果表明，本文提出的K-BFOPSO算法的準(zhǔn)確率和穩(wěn)定性都高于流行的聚類算法，能夠更有效地解決復(fù)雜的優(yōu)化問題。
　　Weka由于有著豐富的

3、數(shù)據(jù)挖掘算法、可以實(shí)現(xiàn)多種功能。將改進(jìn)聚類算法嵌入Weka，可以實(shí)現(xiàn)借助Weka界面直觀地對數(shù)據(jù)進(jìn)行分析，基于此分析了Weka的開發(fā)環(huán)境、接口配置、如何嵌入改進(jìn)的聚類算法的過程，實(shí)現(xiàn)對其進(jìn)行二次開發(fā)，將改進(jìn)的 K-BFOPSO聚類算法嵌入 Weka開展數(shù)據(jù)分析實(shí)驗(yàn)。
　　結(jié)合山大二院類風(fēng)濕關(guān)節(jié)炎病人電子病歷，基于Weka中改進(jìn)的聚類算法，開展基于類風(fēng)濕并發(fā)癥的分析。通過對電子病歷的清洗整合，將數(shù)據(jù)導(dǎo)入Weka，運(yùn)行導(dǎo)入的改進(jìn)的聚類