基于支持向量机算法的癌症组织拉曼光谱数据分析

《基于支持向量机算法的癌症组织拉曼光谱数据分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、＇‘＇、．１；严＾侣学校编号１０３９４图书分类号、、产学号編０６做／密级公开确ｉ＇。嚇；系走巧托火筆：編Ｉ＾’全日制学术学位研究生硕±学位论文ｔｆＩ—？■．＇ｍ９．．ｒ基于支持向量机算法的癌症组织拉曼光谱数据分析Ｒａｍａｎｓｅｃｔｒａｌａｎａｌｓｉｓｏｆｃａｎｃｅｒｔｉｓｓｕｅｂａｓｅｄｐｙｏｎｓｕｏｄｖｅｃｔｏｒｍａｃｈｉｎｅｓｐｐ郭利斌米簿響Ｉｋ学科专业．挙Ｔ巧：资修龜Ｉ研巧方向：化谱数据处理指导教师：膝荣教授陈冠楠副教授；等：讀Ｉ申请学位级别：工学

2、硕±论文提交日期：２０１５年５月１６日＞肖论文评阅人：叶宇煌，苏凯雄，黄浩義＂论义答辩日期：２０１５年Ｓ月３０曰．，５答辩委员会主席：捏树英＾学位授予单位：福建师范大学学位授予日期：２０１５年６月２５日－Ｖ面＇－．練＇，＞年５月．＇．名．方又隊！哪；Ｉ喔，蠢产中文摘要中文摘要随着拉曼光谱技术的迅猛发展，已经有越来越多的学者用其进行生物医学方面的研究。本文介绍了激光拉曼光谱技术在癌症组织检测方面的研究意义及其国内外研究进展，并不同癌症组织的拉曼光谱数据样本作为研究对象，针对拉曼光谱数据的特点，提出使用

3、支持向量机算法对其进行分类决策，并钟对核函数及其参数的选择进斤初步的研究。本文主要研究工作如下：１．提出使用支持向量机算法解决拉曼光谱与ＳＥＲＳ光谱的分类问题。选取胃癌、肝癌、鼻咽癌三种血浆的拉曼光谱数据和ＳＥＲＳ数据进行分类，通过对比Ｈ类核函数对支持向量机的分类性能的影响，发现基于ＲＢＦ核的支持向量机分类性能最优２一．针对同批样本数据，将基于ＲＢＦ核的支持向量机算法与传统分类算法ＬＤＡ进行对比分析，发现对于ＳＥＲＳ数据的分类效果，基于ＲＢＦ核的支持向量机算法相比ＬＤＡ算法有不小的提升，而对于常规拉曼光谱数据，二者的效果相仿。３．针对ＳＶＭ算法

4、对常规拉曼光谱数据不能取得良好提升的现象，提出针对ＲＢＦ核函数参数的优化，优化后的ＳＶＭ分类性能明显增强。４．使用优化ＲＢＦ核参数的ＳＶＭ构建模型，对食道癌狙织样本的拉曼光谱数据和ＳＥＲＳ数据进行分析，分类结果显示比传统算法ＬＤＡ在判别诊断上更有优势。本文的实验结果表明，基于ＲＢＦ核的支持向量机算法在优化参数后能够很好地区分正常和异常样本的拉曼光谱数据一，为开发出种新的癌症拉曼光谱数据分类方法提供了可能。：关键词癌症；拉曼光谱；表明增强拉曼光谱；支持向量机；ＲＢＦ核函数；参数优化ＩＡｂｓｔｒａｃｔＡｂｓｔｒａｃｔ＾ｔｈｔｈｅ

5、ｆａｓｔｄｅｖｅｌｏｐｍｅｎｔｏｆＲａｍａｎｓｐｅｃｔｒｏｓｃｏｐｙ，ｔｈｏｓｅｔｅｃｈｎｏｌｏｇｉｅｓｈａｖｅｂｅｅｎｕｓｅｄｉｎｔｉｌｅｂｉｏｍｅｄｉｃａｌｒｅｓｅａｒｃｈ．虹侃ｓｔｈｅｓｉｓ，ｉｎｔｒｏｄｕｃｅｔｈｅｌａｓｅｒＲａｍａｎｓｐｅｃｔｒｏｓｃｏｐｙｉｎ也但ｃａｎｃｅｒｔｉｓｓｕｅｄｃｔｅｃｔｉｏ凸ｒｅｓｅａｒｃｈｓｉｇｎｉｆｉｃａｎｃｅ．Ｉｎａｄｄｉｔｉｏ打，ｗｓｐｒｏｐｏｓｅｔｈｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｄｉｆｅｒｅ打ｔｃａｎ

6、ｃｅｒｔｉｓｓｕｅｓａｃｃｏｒｄｉｎｇ化ｔｈｅｆｅａｔｕｒｅｓｏｆＲａｍａｎｓｐｅｃｔｒｏｓｃｏｐｙ．Ｗｅａｌｓｏｐｒｅｌｉｍｉｎａｒｙｄｉｓｃｕｓｓｔｈｅｋｅｒｎｅｌｆｕｎｃｔｉｏｎｓａｎｄｔｈｅｉｒｐａｒａｍｅｔｅｒｓ．Ｔｈｅｍａｉｎ巧ｓｅａｒｃｈｓｈｏｗｓａｓｆｏｌｌｏｗｓ：Ｉ？虹ｏｒｄｅｒ化ｓｏｌｖｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆＲａｍａｎｓｐｅｃｔｒａ抑ｄＳＥＲＳｄａｔａ＾ｗｅｒｏｏｓｅｐｐｔｈｅＳＶＭａｌｏｒｉｔｈｍ．ＳｅｌｅｃｔｔｈｅＲａｍａｎｓｅｃｔｒａ

7、ａｎｄＳＥＲＳｄａｔａｏｆａｓｔｒｉｃｃａｎｃｅｒｇｐｇ，ｈｅｐａｔｏｃｅｌｌｕｌａｒｃａｒｄ狂ｏｍａａｎｄ打ａｓｏｐｈａｒｙｎｇｅａｌｃａｎｃｅｒ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｏｍｐａｒｉｓｏ打ｏｆｔｈｒｅｅｋｉｎｄｓｏｆｋｅｒｎｅｌｆｕｎｃｔｉｏｎｓｆｏｒＳＶＭｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｅｆｉｎｄｔｈａｔｔｈｅＲＢＦｋｅｒｎｅｌＳＶＭａｌｏｒｉｔｈｍｓａｃｈｉｅｖｅｏｐｔｉｍａｌｅｒｆｏｒｍａｎｃｅ．ｇｐ２．Ｆ