基于贝叶斯粗糙集的图像分类方法的应用

基于贝叶斯粗糙集,引入全局增益,以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。     

基于动态约简的贝叶斯分类器实现

海量数据且高维环境下,朴素贝叶斯分类可能即面临获取大量带类标签代价过高又面临当前分类规则不能适应数据变化等问题。于是提出一种基于小规模训练集的基于粗糙集(RS)动态约简贝叶斯算法来实现问题分类:利用粗糙集理论对决策表属性进行动态约简,挖掘出对分类最有利的条件属性即极小值属性,作为朴素贝叶斯推理(NBC)方法对知识进行学习和分类的输入。该方法结合了贝叶斯推理与动态约简将大数据库采样划分的优点。实验证明了算法的可行性。     

基于粗糙集的快速车牌字符识别技术

为了解决传统识别技术在车牌字符识别时效率低的问题,本文提出了一种基于粗糙集高效属性约简算法的快速车牌识别技术,该方法首先根据训练样本集的特征向量建立决策表并对决策表进行二次离散化处理,然后应用粗糙集理论对决策表进行高效属性约简,最后从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效地压缩了图像的特征数,并简化了规则匹配算法,提高了字符识别率及识别速度,在车牌字符识别中取得了较好的识别效果。     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

基于BP神经网络与粗糙集理论的分类挖掘方法

分类是数据挖掘中重要的课题,为协调决策分类,提出了一种基于粗糙集理论和BP神经网络的数据挖掘的方法。在此方法中首先用粗糙集约简决策表中的冗余属性,然后用BP神经网络进行噪声过滤,最后由粗糙集从约简的决策表中产生规则集。此方法不仅避免了从训练神经网络中提取规则的复杂性,而且有效的提高了分类的精确度。     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一。粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则。文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法。该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程。通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程。     

一种有效的属性约简算法

粗糙集理论是一种有效的处理不一致、不精确和不完备等各种信息的数学分析工具。属性约简算法是粗糙集理论的关键技术之一,是数据挖掘研究的一个重要课题,也是知识获取中研究的关键问题之一。高效的属性约简算法使属性约简的求解被证实是一个NP-Hard问题,它通常是一个预处理阶段,使适应决策表上的分类分析。本文提出一种有效的方法——SEGMENT-SIG,可以得到最小约简子集,保持决策表的分类一致性。本文对算法最坏的时间计算复杂度进行了分析,该算法的输出是两种不同的分类器,一个是IF-THEN规则体系,另一个是决策树。     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一.粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则.文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法.该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程.通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程.     

基于粗糙集的图像增强智能决策方法

为了使图像能根据图像特征自适应选取增强算法,给出一种基于粗糙集的图像增强智能决策方法.该方法首先建立图像增强算法库,并用现行的算法提取图像的数值特征作为条件属性,按照图像评价指标结合专家经验选取处理效果最优的算法作为决策属性,从而构成信息决策表.最后应用粗糙集来对决策信息表进行离散化和属性约简,以生成图像增强算法选取的决策规则.试验表明,该决策方法能比较有效地根据系统所处理图像的特征选取出算法库中最优的增强算法.     

混合值不完备决策信息系统的粗糙分类方法

针对混合值不完备决策信息系统,提出一种将邻域联系度粗糙集与贝叶斯理论相结合的分类方法。定义了一种新的属性辨识矩阵——同异反辨识矩阵,给出了基于同异反辨识矩阵的t分配约简算法,以及对约简后的决策信息系统建立基于邻域联系度粗糙集的最小错误率贝叶斯决策准则,用于对含有混合属性值以及不完备数据的对象进行分类。实验表明所提出的方法是客观有效的。     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

基于K-means的朴素贝叶斯分类算法的研究

将K-means算法引入到朴素贝叶斯分类研究中,提出一种基于K-means的朴素贝叶斯分类算法。首先用K-means算法对原始数据集中的完整数据子集进行聚类,计算缺失数据子集中的每条记录与k个簇重心之间的相似度,把记录赋给距离最近的一个簇,并用该簇相应的属性均值来填充记录的缺失值,然后用朴素贝叶斯分类算法对处理后的数据集进行分类。实验结果表明,与朴素贝叶斯相比,基于K-means思想的朴素贝叶斯算法具有较高的分类准确率。     

关于贝叶斯粗糙集模型的知识约简

贝叶斯粗糙集模型是一种修正的变精度粗糙集模型，它既能克服粗糙集模型所描述的分类是完全精确的，同时又不需要象变精度粗糙集模型需要预先给定参数，因此在人工智能与认识科学领域有重要的作用。本文通过引入上、下分布约简给出该模型的一种约简方法。     

基于K-means的朴素贝叶斯分类算法的研究

将K-means算法引入到朴素贝叶斯分类研究中，提出一种基于K-means的朴素贝叶斯分类算法。首先用K-means算法对原始数据集中的完整数据子集进行聚类，计算缺失数据子集中的每条记录与k个簇重心之间的相似度，把记录赋给距离最近的一个簇，并用该簇相应的属性均值来填充记录的缺失值，然后用朴素贝叶斯分类算法对处理后的数据集进行分类。实验结果表明，与朴素贝叶斯相比，基于K-means思想的朴素贝叶斯算法具有较高的分类准确率。     

基于改进粗糙集方法的电力系统数据挖掘

电力系统数据的海量与复杂性,决定了其数据具有多层次性,随机性,同时还存在故障信息不完整等特点。针对此问题,以往多采用粗糙集进行约简,并提取相关规则,而当关键信息丢失时,以往的方法并不能导出正确结论,且耗时长。本文提出一种将粗糙集理论与朴素贝叶斯相结合的数据挖掘方法,通过粗糙集求取最小属性约简集,并在此基础上利用朴素贝叶斯诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行了验证。算例结果表明,该方法能在故障信息不完整甚至丢失核属性的情况下得到较好的诊断结果,提高了系统的容错性。     

基于深度贝叶斯主动学习的高光谱图像分类

针对高光谱图像分类中标记样本获取费时费力,无标记数据难以得到有效利用以及主动学习与深度学习结合难等问题,结合贝叶斯深度学习与主动学习的最新进展,提出一种基于深度贝叶斯的主动学习高光谱图像分类算法。利用少量标记样本训练一个卷积神经网络模型,根据与贝叶斯方法结合的主动学习采样策略从无标记样本中选择模型分类最不确定性的样本,选取的样本经人工标记后加入到训练集重新训练模型,减小模型不确定性,提高模型分类精度。通过PaviaU高光谱图像分类的实验结果表明,在少量的标记样本下,提出的方法比传统的方法分类效果更好。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

基于朴素贝叶斯算法的改进遗传算法分类研究

针对标准遗传算法的不稳定性、准确性低等问题,为了提高遗传分类算法的稳定性和准确性,基于贝叶斯算法的有关理论,提出一种新的遗传算法分类方法.将初始样本集随机的分成数量相等的几组,通过朴素贝叶斯算法从初始样本集中选出部分“区分度”比较高的样本作为新的样本集,通过改进的遗传算法对选出的新样本集进行处理,从而得到最优分类规则.通过两种算法的组合对数据分类时,使分类的稳定性和准确性得到了明显的改善.仿真实验结果表明,该算法有较高的稳定性和准确性.