一种改进的彩色图像分割算法

文中算法对传统的基于最大隶属度的彩色图像分割算法进行了改进。传统的基于最大隶属度原则的分割方法根据彩色直方图中的色彩矢量来确定目标和背景色模糊集,而绘制彩色直方图时比较繁琐。为了克服这一缺点,先绘制彩色图像对应的灰度直方图。对应于每一个灰度级,取属于该灰度级的像素中的一个像素的颜色来代表这一灰度级所对应的颜色,并保存其R、G、B值。据此建立一组色彩模糊集。计算图像中的所有色彩在各个模糊集中的隶属度,并基于最大隶属度原则确定色彩的归属。建立一种基于最大隶属度原则的神经网络,实现对彩色图像快速有效的分割。通过灰度直方图判断目标和背景色时的误差很小,并不影响判断。在建立色彩模糊集和计算隶属度实现色彩分类的时候都是根据像素色彩的R、G、B值来实现的,因而没有颜色损失。实验结果证明,该算法对原有的基于最大隶属度原则的彩色图像分割方法进行了改进,速度快,效果好。     

基于模糊关系的文本分类方法

为更好地对未标记文本进行分类,通过定义文本和类别的隶属函数,将测试文本和类别表示为特征的模糊集,计算模糊集之间的相关系数并用来度量测试文本到每个类别的隶属度,根据最大隶属度原则确定测试文本所属类别。实验结果表明,与k-NN算法相比,该方法有较好的准确率,分类速度有较大提高。     

基于犹豫模糊决策树的非均衡数据分类

为优化针对非均衡数据的分类效果,结合犹豫模糊集理论与决策树算法,提出一种改进的模糊决策树算法。通过SMOTE算法对非均衡数据进行过采样处理,使用K-means聚类方法获得各属性的聚类中心点,利用2种不同的隶属度函数对数据集进行模糊化处理。在此基础上,根据隶属度函数和犹豫模糊集的信息能量求得各属性的犹豫模糊信息增益,选取最大值替代Fuzzy ID3算法中的模糊信息增益作为属性的分裂准则,构建一个用于非均衡数据分类的犹豫模糊决策树模型。实验结果表明,基于犹豫模糊决策树的分类器在AUC评价指标上相对于C4.5、KNN、随机森林等传统分类算法平均提高了12.6%。     

基于带有三种否定的模糊集FScom的模糊综合评判

FScom集是一种带有三种否定关系:矛盾否定关系、对立否定关系和中介否定关系的模糊集。本文在FScom中提出λ-中介否定概念,定义了λ-区间函数,使得传统模糊集的最大隶属度原则能适用于FScom集,并由此给出一种基于FScom的模糊综合评判方法以及在灾害损失等级划分实例中的应用。     

基于优势关系的程度粗糙直觉模糊集模型研究

针对经典粗糙直觉模糊集理论仅考虑了集合中的最小/最大隶属度与非隶属度,而忽略了介于二者之间的隶属度与非隶属度的问题,从程度粗糙集的角度对其进行了分析研究。首先,将程度粗糙集引入到经典粗糙直觉模糊集模型中,定义了μ′(y)和ν′(y),将其与最小/最大之间的隶属度与非隶属度的值比较。然后,构建新的下、上近似,提出四个模型,即基于优势关系的Ⅰ型、Ⅱ型程度粗糙直觉模糊集模型和基于优势关系的Ⅰ型、Ⅱ型双论域程度粗糙直觉模糊集模型,讨论这些模型的相关性质。这些模型的边界域缩小了,也降低了模糊熵值。最后,通过实例验证了模型的有效性。     

基于粗隶属函数的粗糙集模型的推广

通过粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系。把粗隶属函数视为论域上的一个特殊模糊集,用它的!-截集和强"-截集的概念,将经典粗糙集模型进行推广,提出基于等价关系的隶属度粗糙集模型,验证一些有用的性质,并证明该模型比Pawlak粗糙集模型具有更好的精度。最后将基于等价关系的隶属度粗糙集模型拓展到基于一般二元关系的广义隶属度粗糙集模型,并给出其相应的性质。     

一种新的覆盖粗糙模糊集模型

在覆盖粗糙集与模糊集结合的研究中,已有的覆盖粗糙模糊集模型存在两类问题:一类是元素的上、下近似隶属度之间的差值通常过大;另一类是元素的上、下近似隶属度与其在给定模糊集中的隶属度无关.对此,通过定义模糊覆盖粗糙隶属度,将元素的最小描述与给定模糊集建立联系,同时综合元素在给定模糊集中的隶属度,进而建立一个新的覆盖粗糙模糊集模型.理论比较和实验结果均表明该模型可以有效解决上述两类问题.     

正态模糊集合——Fuzzy集理论的新拓展

直觉模糊集（intuitionistic fuzzy sets）、区间值模糊集（interval-valued fuzzy sets）以及Vague集对普通fuzzy集的扩展是给出了隶属度的上下限，把隶属度从[0，1]区间中的一个单值推广到了[0，1]的子区间。但是该子区间犹如一个黑洞，隶属度在其内部的分布情况我们无从知晓，即这个子区间中的每一个值是等可能地作为元素的隶属度还是区间中的某些值较另外的值有更大的可能性呢？为了清晰的刻画出元素的隶属度在[0，1]区间中的分布情况，本文通过对投票模型的分析及正态分布理论，提出了一种新的模糊集合——正态模糊集合，同时对正态模糊集合的交、并、补等基本运算性质进行了讨论，文章最后对正态模糊集与fuzzy集、直觉模糊集的相互关系也作出了详细阐述。正态模糊集合是模糊集合理论的进一步推广，为我们处理模糊信息提供了一种全新的思想方法。     

基于特征隶属度的文本分类相似性度量方法

基于相似性进行文本分类是当前流行的文本处理方法。基于特征隶属度的文本分类相似性度量方法旨在利用特征与文档间的隶属关系度量文档相似性,从而实现文本分类。该方法基于特征与文档的隶属关系,对特征进行全隶属、偏隶属和无隶属词集划分,并基于3种隶属词集定义隶属度函数。全隶属词集隶属于两篇文档,隶属度随权差增大而降低;偏隶属词集仅隶属于其中某一篇文档,隶属度为一个定值;无隶属词集与两篇文档无隶属关系,隶属度为零。在度量相似性时,偏隶属关系高于全隶属关系。由于同类文档词集相近,异类文档词集差异明显,因此,基于特征与文档的隶属度进行相似性度量,可清晰界定词集与类别的隶属关系,提升分类精度。最后,采用数据集20-Newgroups和Reuters-21578对分类有效性进行验证,结果表明基于特征隶属度的相似性度量方法的性能优于目前流行的相似性度量方法。     

基于稀疏表示的多标记学习算法

为解决多标记数据的分类问题,提出基于稀疏表示的多标记学习算法.首先将待分类样本表示为训练样本集上的稀疏线性组合,基于l1-最小化方法求得最稀疏的系数解.然后利用稀疏系数的判别信息提出一个计算待分类样本对各标记的隶属度的方法.最后根据隶属度对标记进行排序,进而完成分类.在Yeast基因功能分析、自然场景分类和web页面分类上的实验表明,该算法能够有效解决多标记数据的分类问题,与其它方法相比取得更好的结果.     

基于加权模糊隶属度的二叉树多分类算法

针对二叉树支持向量机多分类算法准确率与分类效率较低的问题,提出了一种基于加权模糊隶属度的二叉树支持向量机多分类算法（binary tree support vector machines multi-classification algorithm based on weighted fuzzy membership,PF-BTSVM）。该算法依据最大最小样本距离与质心距离构造出一个近似完全二叉树,提高了整体结构的分类效率;利用模糊隶属度函数以及正负辅助惩罚因子对训练集进行筛选,剔除掉对分类无用的样本与噪声值,实现了训练集的提纯并且削弱了不平衡分类时超平面的偏移。在数据集上的实验结果表明,与其他二叉树多分类算法相比,该算法在提高了分类准确率以及稳定性的的同时还加快了训练与分类的速度,而且这种优势当分类的不平衡度越大时越明显。     

一种基于模糊2DPLA的人脸识别方法

将模糊集的隶属度函数矩阵嵌入到二维主成分分析以及二维线性判别分析中,形成了一种基于模糊2DPLA的新方法。该方法首先通过基于模糊的KNN方法求出隶属度函数矩阵;然后将隶属度函数矩阵从图像矩阵的水平方向和垂直方向分别嵌入到二维主成分分析和二维线性判别分析中,从而更好地实现降维;最后采用基于矩阵的F-范数代替传统的基于向量的2一范数进行分类度量。实验阶段,采用Yale Face Database B, ORI和FERET人脸数据库进行了测试和验证。结果证明,该方法具有较好的鲁棒性,并能获得较高的识别率。     

用全局稳定FCHNN在CIELab色彩空间进行图像分割

在张星明等人所做工作的基础上,进一步从李雅普诺夫稳定性原理出发,改进性地设计了具有全局渐进稳定性和全局指数稳定性的模糊竞争Hopfield神经网络（简称GS-FCHNN）,用GS-FCHNN进行彩色图像分割,从彩色图像在CIELab空间的色彩分布图获得具有明显色差的色彩值,取该值作为模糊核,从而为神经元建立基于最大隶属度原则的状态函数,实现彩色图像的模糊聚类,达到图像目标分割的目的。实验结果表明：较FCHNN算法,运算时间有明显加快,分割效果不受色彩分布的复杂度的影响,对高斯噪声的自适应能力得到进一步加强。     

基于FCM的文本迁移学习算法

传统的机器学习方法是在训练数据和测试数据分布一致的前提下进行的。然而,在一些现实世界中的应用,训练数据和测试数据来自不同的领域。在不考虑数据分布的情况下,传统的机器学习算法可能会失效,针对这一问题,提出一种基于模糊C均值(FCM)的文本迁移学习算法。首先,通过简单分类器对测试样本分类,接着,利用自然邻算法构建样本初始模糊隶属度;然后,利用FCM算法通过迭代更新样本模糊隶属度,修正样本标签;最后,对样本孤立点进行处理,得到最终分类结果。实验结果表明,该算法具有较好的正确率,有效的解决了在训练数据和测试数据分布不一致的情况下的文本分类问题。     

基于局部空间信息的可变类模糊阈值光学遥感图像分割

阈值法分割在光学遥感图像分析中被得到广泛的应用, 然而传统阈值法也存在诸多局限性, 如对噪声敏感, 需人为设定类别数, 计算复杂度高等. 针对传统阈值法的局限性, 提出一种基于局部空间信息的可变类模糊阈值光学遥感图像分割方法. 首先, 以图像光谱的一阶矩为初始类中心, 利用二分法原理和区域间最大相似度准则来快速确定类别数及其中心. 然后, 通过岭形模糊隶属函数计算各像素点对不同类的隶属程度, 同时考虑到像素点的隶属度局部空间信息, 在隶属度域中定义一个模糊加权滤波器对各类的隶属度矩阵进行滤波, 以滤波后的隶属度集合为依据, 按照最大隶属原则确定图像的标号场. 最后, 对标号场中的局部异常标号进行替换, 将修正后的标号场由对应的类中心赋色得到分割图像. 视觉和统计分析评价结果表明, 与传统阈值法相比, 该方法能在减少计算时间的同时获得更好的分割结果, 可适用于光学遥感图像的多阈值分割.     

基于云模型定性规则推理的分类方法

根据粗糙集原理和模糊集理论,提出了一种基于云模型定性规则推理的分类方法,利用云的相关理论获得多条件单规则中包含隶属度的决策表,结合模糊模式识别技术进行样本分类。针对一些数据对象分别隶属于不同类别的情况,用定性概念来代替模糊集中的定量数据并建立二元关系,能对连续型数据进行更为简单合理的＂软＂分类,从而使基于定性概念的算法模型符合人类思维方式。     

基于二次特征的模糊分类算法在普适计算上下文变化感知中的研究*

为了简化普适计算环境原始特征的复杂度,方便该环境下的知识推理,采用核典型相关分析方法进行原始特征的二次提取,得到简约而重要的二次特征。在此二次特征的基础上施以模糊K近邻法计算待测模式相对于各类中心的隶属度,并按最大隶属度原则确定该模式所属上下文场景类。本算法致力于在不显著损失分类准确度的情况下尽可能地降低分类复杂度,从而解决普适计算环境中上下文变化感知的问题。