高斯模糊积分及其在癌症诊断中的应用

经典模糊积分只是将高维空间的数据沿着线性被积函数决定的直线投影到一维空间，无法覆盖现实问题中不规则分布的数据。提出一种新的模糊积分扩展形式——基于高斯函数的模糊积分（高斯模糊积分）。由于高斯函数的分布曲线趋于正态分布，将其作为被积函数，能更大范围地覆盖数据，并基于此构建分类模型。在实验部分将新的分类模型应用到几个经典数据库，以验证扩展后的性能，结果表明基于高斯函数的模糊积分能更好地发挥模糊积分的特性，分类效果明显优于传统模糊积分。最后将其应用到疑似乙肝病毒基因数据库进行疾病诊断。所有病例来自威尔士医院，包括真正病人和疑似患者两类。笔者试图通过高斯模糊积分来进一步诊断病人的真实情况，结果表明高斯...

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 33; no. 11; pp. 3345 - 3348
Main Author 王金凤 田绪红 王希 王文中
Format Journal Article
LanguageChinese
Published 华南农业大学 数学与信息学院,广州,510642%华南农业大学 华南农业大学 经济管理学院,广州,510642 2016
Subjects
分类模型
模糊积分
癌症诊断
高斯函数
高斯模糊积分
模糊积分
高斯函数
Gaussian fuzzy integral
分类模型
高斯模糊积分
fuzzy integral
cancer diagnosis
Gaussian function
癌症诊断
classification model
Online AccessGet full text
ISSN1001-3695
DOI10.3969/j.issn.1001--3695.2016.11.032

Cover

More Information
Summary:经典模糊积分只是将高维空间的数据沿着线性被积函数决定的直线投影到一维空间，无法覆盖现实问题中不规则分布的数据。提出一种新的模糊积分扩展形式——基于高斯函数的模糊积分（高斯模糊积分）。由于高斯函数的分布曲线趋于正态分布，将其作为被积函数，能更大范围地覆盖数据，并基于此构建分类模型。在实验部分将新的分类模型应用到几个经典数据库，以验证扩展后的性能，结果表明基于高斯函数的模糊积分能更好地发挥模糊积分的特性，分类效果明显优于传统模糊积分。最后将其应用到疑似乙肝病毒基因数据库进行疾病诊断。所有病例来自威尔士医院，包括真正病人和疑似患者两类。笔者试图通过高斯模糊积分来进一步诊断病人的真实情况，结果表明高斯模糊积分具有较高的测试敏感度，这一指标是医学研究者最为关心的，即尽量保证不错过一个可能病例。
Bibliography:51-1196/TP
Wang Jinfenga, Tian Xuhonga, Wang Xia, Wang Wenzhongb （a. College of Mathematics ＆ Informatics, b. College of Economics Management, South China Agricultural University, Guangzhou 510642, China）
fuzzy integral; Gaussian function; classification model; Gaussian fuzzy integral; cancer diagnosis
The classical fuzzy integral projects the data from high dimensional space into one dimensional space along a group of straight lines. In reality, the classical projection lines cannot cover the data with irregular distribution. This paper proposed a new fuzzy integral using Gaussian function as integrand which was called as Gaussian fuzzy integral （GFI）. The projection with GFI could cover the most data along the Gaussian curves. It constructed a new classifier based on the Gaussian fuzzy inte- gral and applied it to several benchmark datasets for testifying the performance. The results show that GFI can work better with FI＇ s characteristics and has better classification accuracy than classical FI. Finally, used
ISSN:1001-3695
DOI:10.3969/j.issn.1001--3695.2016.11.032