基于PSO-SVM模型的心脏病数据分类预测分析开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述一、前言 支持向量机（support vector machine,svm）是一种基于统计学理论的模式识别方法，在机器学习[1]领域，svm是一个有监督的学习模型，通常用于模式识别、分类以及回归分析。

目前svm的应用中还存在一些问题，因此对svm算法进行优化也是当今的研究热潮，本课题将选用粒子群优化算法（pso）对svm的参数选择进行优化。

现在已经存在很多对svm的研究，涉及各个领域，本课题的研究目的是把利用pso优化的svm方法用于对心脏病等疾病的分类预测中。

2. 研究的基本内容、问题解决措施及方案

1.本课题研究的问题（1）对心脏病样本数据作预处理并进行属性约简；（2）建立粒子群优化算法（PSO）优化的支持向量机（SVM）模型；（3）在MATLAB上编程，对心脏病数据进行模型训练，并检测数据分类的准确率；（4）与其它分类方法进行对比，表明PSO-SVM模型的优越性。

2.课题采用的研究手段（1）学习数据挖掘和机器学习相关的背景知识，熟悉PSO算法的工作原理，并对样本数据进行处理，建立PSO-SVM模型；（2）学习MATLAB软件，对算法模型编程调试；（3）利用心脏病数据对模型进行训练，检测其分类的准确性，并与其它分类器的检测效果对比，撰写论文。