乳腺肿瘤严重危害到女性的健康,目前为止还没有找到很好的预测乳腺癌的方法。目前,依照当前的医疗水平,唯一提高乳腺癌的治愈率和降低乳腺癌的死亡率的方法关键在于要提早发现,早发现可以及时治疗,早诊断,不要耽误最佳治疗时间和早治疗。近几年,为了提高诊断的效率,其研究方法一直向着智能化和工具化这个方向发展。随着现在科学技术地不断发展,人工智能技术不断进步,人工神经网络技术也日益成熟,它的分类能力也越来越强,并且具有智能性,为乳腺肿瘤识别提供了一种新的诊断方法。由于乳腺病灶组织发生病变,然而它与正常的细胞核组织的显微图像有所不同,因此采用分类能力比较强的算法来进行乳腺肿瘤诊断,为乳腺肿瘤诊断提供了一种新的方法。本文主要以机器学习人工神经网络为基础对乳腺肿瘤的诊断进行研究和实验,应用了几种方法进行仿真实验,都具有良好的实验效果,故障诊断精度被提高了,所以它是是一种有效的乳腺肿瘤诊断方法,并且此方法具有较高的医学应用价值。本文主要研究内容包括:(1)应用了统计学三种判别方法,fisher判别,距离判别,贝叶斯判别对乳腺肿瘤数据,进行实验,三种方法进行比较。通过仿真实验证明,fisher判别的准确达到了97.1%,距离判别的正确率为84.1%,贝叶斯判别的正确率为88.41%,三者比较fisher判别具有较高的正确率,被误判的概率也是最低的。所以fisher判别具有更好的实验效果。(2)应用K-means神经网络算法和自组织神经网络算法两种方法,对乳腺肿瘤数据进行了实验,K-means神经网络和自组织神经网络的正确率分别为80%和81.58%。由于对乳腺肿瘤识别用的数据是乳腺肿瘤病灶组织的细胞核显微图像10个量化特征进行的,而每组数据是由采样细胞核的10个特征构成的,为了避免误差,取了10个特征的平均值、标准差和最坏值一共30个数据。由于输入维数较大,冗余信息较多,运行时间较长,所以采用PCA对数据进行降维,降到8维,累计贡献率已经达到了99.91%。然后在用K-means和自组织神经网络进行实验,运行时间缩短了,并且正确率也提高了。经过主成分分析以后用K-means和自组织神经网络的正确率分别为88.95%和88.42%。(3)由于LVQ算法对初始权值敏感,本文提出采用遗传算法对LVQ优化。针对应用LVQ对乳腺肿瘤诊断的不足,提出了改进的LVQ,采用遗传算法优化的LVQ算法,有效提高识别精度。实验结果证明,改进的LVQ对乳腺肿瘤进行诊断,其正确率为91.3%,比LVQ的正确率提高了4.4%.