基于网格特征和模糊匹配的徽标识别

针对图像智能处理中对徽标识别的应用需求,提出了一种基于网格特征和模糊匹配的徽标识别算法.该算法通过提取徽标的网格特征并映射为模糊集隶属度特征,根据模糊匹配技术进行识别,显著增强了对质量不佳图像的适应性和抗干扰性.实验表明,该算法的识别准确率能达到95.5％,并能有效提高徽标识别系统的鲁棒性.     

基于模糊隶属度函数的ICA特征提取和识别

提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法.该方法首先通过主成分分析等对图像进行预处理,然后通过FastICA算法对图像进行处理,构造特征脸子空间,计算训练样本和待测样本在特征脸子空间中的投影,引入模糊隶属度函数,建立矢量隶属度函数,作为识别分类器进行人脸识别.针对ORL标准人脸数据库上的实验结果表明,该方法具有良好的识别分类能力.     

一种基于包含度理论的图像分割方法

采用模糊集中的包含度提出阈值化分割图像方法.由于人眼视觉的主观性和图像结构的不确定性使得图像分割比较适合采用模糊技术进行处理.首先引人基于模糊集的包含度理论,其次基于模糊包含度公式定义图像分割选取阈值的新准则函数,最后基于互信息量和混沌理论给出该分割方法中的模糊隶属函数参数的最佳选取办法.实验结果表明,本文方法是可行的,且分割性能明显优于基于模糊熵或相似度的分割法.     

基于模糊模式识别的中文邮件过滤探讨

本文给出了一种基于模糊模式识别的垃圾邮件过滤方法:针对个人用户,搜集样本邮件进行学习,提取特征词汇构成特征论域,在论域上定义模糊集描述邮件,然后构造隶属函数并计算贴近度,使用择近原则判别垃圾邮件;阐述了模糊模式识别原理和过滤算法。     

基于最大隶属度原则的基因表达式编程分类

提出了一种基于最大隶属度原则的基因表达式编程(Gene Expression Programming,GEP)分类方法MDM-GEP。引入模糊集合中的隶属度描述分类的模糊性,在训练集上得到逼近各类别隶属函数的GEP分类器。对于待分类实例,计算其在各模糊集中的隶属度,基于最大隶属度的模糊模式识别原则确定最终归属类,并在三个UCI数据集上对该算法进行了实验。实验结果表明,MDM-GEP不仅具有较好的分类性能,而且有效解决了传统的简单GEP分类方法中存在的拒分区域问题。     

基于模糊贴近度理论的图像置乱效果评价研究

提出了应用模糊贴近度理论来构造图像置乱效果评价的新方法.从图像中任意像素与其周围邻域像素之间存在紧密关系角度出发给出了一种模糊集的定义,给出了图像中各像素所对应模糊集及其补集之间的模糊贴近度,最后根据置乱前后图像所有像素所对应的模糊贴近度之和采构造用于图像置乱效果评价的置乱度函数.大量仿真实验及结果分析表明,提出的评价方法是可行的,反映了加密次数与置乱效果之间的关系,其客观评价结果与人的视觉感知基本一致.     

模糊理论在基于特征向量的模式识别中的应用

在计算机测量与控制系统中经常会遇到基于特征向量的模式识别问题,由于特征向量提取过程所带来的误差,使得数据库中标准模式的特征向量与待识对象的特征向量都具有一定的不确定性。将模糊理论应用于识别过程中,将识别过程转换为两个模糊集的贴近度或距离问题,设计实现了基于格贴近度和距离的识别算法,并成功应用于基于手掌形状的身份识别系统中。     

基于网格显著度的视点质量计算方法*

从模糊贴近度的角度,结合网格显著度概念,给出了一种新的视点质量计算方法。首先将场景中的每个三角形看做论域中的一个样本,从可见度大小的角度定义隶属函数,为视点构造一个模糊集合;然后结合三角形的几何面积及面片显著度给出一个对应理想视点的模糊集;最后求取两个模糊集合的贴近度作为视点质量的评价准则。实验结果表明,该算法能够较好地反映视点质量。     

二型模糊系统的规则提取算法

模糊规则提取是建立二型模糊系统需要解决的关键问题.提出一种改进的基于c均值模糊聚类算法(FCM)的二型模糊规则提取方法.该方法借助于二型模糊集主隶属度函数的期望与次隶属度函数值之间的联系,能克服已有算法忽略二型模糊集次隶属度函数对模糊聚类结果的影响.仿真实例表明.该算法能成功地提取二型模糊规则,比FCMV算法具有更好的性能和收敛性.     

基于直觉模糊散度的噪声图像边缘检测

针对传统图像边缘检测算法抑制噪声能力差的问题,提出一种基于直觉模糊集（Intuitionistic Fuzzy Set,IFS）的边缘检测算法。该算法设定了一个表示平坦区域的模板图像,并在图像窗口内构造了一种同时考虑了图像梯度和图像窗口的方差信息的隶属度函数,然后通过计算图像窗口与模板图像之间的模糊直觉散度（Intuitionistic Fuzzy Divergence,IFD）对边缘进行定位和输出。实验结果表明,对于被高斯噪声或均匀噪声严重污染的图像,该算法能够得到较好的检测结果。     

不确定信息条件下的灰色模式识别

为了解决工程中存在的由不确定信息引起的灰色模式识别问题,首先定义了区间灰数,建立了区间灰数的距离计算公式;然后将灰色关联理论与模糊集理论相结合,提出一种基于区间灰数模糊灰关联分析的灰色模式识别方法,并给出了这种灰色模式识别结果的可信度。最后通过工程实例说明了该方法的正确性和有效性。     

基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了 FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.     

Switching between type-2 fuzzy sets and intuitionistic fuzzy sets: an application in medical diagnosis

When dealing with vagueness, there are situations when there is insufficient information available, making it impossible to satisfactorily evaluate membership. The intuitionistic fuzzy set theory is more suitable than fuzzy sets to deal with such problem. In 1996, Atanassov proposed the mapping from intuitionistic fuzzy sets to fuzzy sets. Furthermore, intuitionistic fuzzy sets are isomorphic to interval valued fuzzy sets, and interval valued fuzzy sets are regarded as the special cases of type-2 fuzzy sets in recently studies. However, their discussions are not only hardly comprehending but also lacking the reliable applications. In this study, the advantage of type-2 fuzzy sets is employed, and the switching relation between type-2 fuzzy sets and intuitionistic fuzzy sets is defined axiomatically. The switching results are applied to show the usefulness of the proposed method in pattern recognition and medical diagnosis reasoning.     

Uncertain Fuzzy Clustering: Interval Type-2 Fuzzy Approach to C-Means

In many pattern recognition applications, it may be impossible in most cases to obtain perfect knowledge or information for a given pattern set. Uncertain information can create imperfect expressions for pattern sets in various pattern recognition algorithms. Therefore, various types of uncertainty may be taken into account when performing several pattern recognition methods. When one performs clustering with fuzzy sets, fuzzy membership values express assignment availability of patterns for clusters. However, when one assigns fuzzy memberships to a pattern set, imperfect information for a pattern set involves uncertainty which exist in the various parameters that are used in fuzzy membership assignment. When one encounters fuzzy clustering, fuzzy membership design includes various uncertainties (e.g., distance measure, fuzzifier, prototypes, etc.). In this paper, we focus on the uncertainty associated with the fuzzifier parameter m that controls the amount of fuzziness of the final C-partition in the fuzzy C-means (FCM) algorithm. To design and manage uncertainty for fuzzifier m, we extend a pattern set to interval type-2 fuzzy sets using two fuzzifiers m₁ and m₂ which creates a footprint of uncertainty (FOU) for the fuzzifier m. Then, we incorporate this interval type-2 fuzzy set into FCM to observe the effect of managing uncertainty from the two fuzzifiers. We also provide some solutions to type-reduction and defuzzification (i.e., cluster center updating and hard-partitioning) in FCM. Several experimental results are given to show the validity of our method     

基于模糊支持度采样的粒子滤波算法

针对粒子滤波中重采样导致粒子多样性减弱造成的滤波精度下降问题,给出了一种基于模糊支持度采样的改进粒子滤波算法;该算法在重采样过程后,首先根据MCMC(Markov Chain Monte Carlo)原理抽取候选粒子,然后依据重采样粒子和候选粒子自身数据中的蕴含信息,并结合模糊理论构建支持度函数和支持度矩阵,以充分地提取数据中的有效信息,在增强粒子多样性的同时实现其对于粒子的优选;最后仿真结果表明,该算法可有效地提高对于系统状态的估计精度。     

基于直觉模糊粗糙集的属性约简研究

本文针对传统的离散化技术所造成的信息丢失问题,提出了利用直觉模糊粗糙集合理论来进行属性约简的方法。文中描述了直觉模糊等价关系下粗糙集的模型,并在此基础之上定义了正域、依赖度与非依赖度概念,然后详细分析了直觉模糊粗糙集属性约简算法。最后,用实例证明了该算法的可行性,并对算法的优缺点进行了阐述。     

基于直觉模糊与计划识别的威胁评估方法

分析了威胁评估中信息的不确定性以及计划识别存在的不足,将直觉模糊理论与计划识别相结合,提出了一种基于直觉模糊理论的多属性计划识别方法。建立了基于直觉模糊多属性计划识别模型,给出了计算方法。用实例验证了模型的有效性和正确性。实验结果说明,该模型可以提高威胁评估的效率与可信度,能更直观地给出对态势预测的描述。