基于邻域关系模糊粗糙集的医学图像分类研究

对医学图像进行分类时,特征选择是影响分类准确率的非常重要的因素。针对医学图像的特殊性,以及目前提出的特征选择算法在应用于医学图像分类时效果不够理想等问题,提出一种基于邻域关系的模糊粗糙集模型,基于该模型给出特征选择算法,并将其应用于乳腺X光图像。实验结果表明,同已有的算法相比,该方法能有效选择特征,分类精度有较大的提升。     

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。     

基于粗糙集与差分免疫模糊聚类算法的图像分割

提出了基于粗糙集模糊聚类与差分免疫克隆聚类的图像分割算法。该算法在差分免疫克隆聚类算法的基础上,通过引入粗糙集模糊聚类,将差分免疫克隆聚类算法中的硬聚类变成模糊聚类,从而获得更丰富的聚类信息。具体来说,由于粗糙集的优势是处理不确定的数据,因此,加入粗糙集模糊聚类后更有利于算法解决不确定性问题。通过对9幅图像分割实验结果与4种算法的对比,验证了该算法在聚类性能稳定性方面的优越性,结果还同时证明了该算法具有更高的分割正确率和更好的分割结果。     

粗糙集属性约简算法在图像分类研究的应用

基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并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。完善了近似空间的概念。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集方法性能良好,分类准确和高效。     

基于粗糙集阴影区域的检测与分类

粗糙集理论是一种新的处理模糊和不确定性问题的数学工具。本文提出一种基于粗糙集阴影边缘分类方法。该算法根据粗糙集理论、梯度、最大邻域差及噪声的条件属性,将一幅图像划分为不同的子图像;然后对子图像分别进行处理,得到阴影边缘点;再利用边缘生长对边缘点进行细化和跟踪,删除那些假边缘点;然后根据阴影边缘构出假想的阴影区域,并统计这些区域的灰度直方图,求得阴影区域的灰度区间。根据该灰度区间可以得到阴影区域,再根据这些区域的灰度、形状、面积等特征对阴影进行分类。通过对所得结果进行分析可知,结合粗糙集理论的阴影图像边缘检测算法与其他的常规检测方法相比,无论从视觉效果还是检测精确度上都有所改善。     

基于心冲击信号的睡姿识别

研究证明,睡眠质量与睡姿有着密切关系,不良的睡姿甚至会加剧多种疾病的潜在风险。为了更精准地进行睡眠健康监控,提出了一种基于心冲击（BCG）信号的睡姿模式识别算法,使用非接触、无干扰的压电薄膜传感器采集BCG信号,在腰腹部采集仰卧、俯卧、左侧卧和右侧卧4种睡姿信号,经小波变换降噪等预处理后提取基于J波的特征值,设计并比较基于神经网络和KNN的睡姿识别分类器。实验结果表明,神经网络睡眠识别算法的平均正确识别率为93%,KNN算法为84%,因此基于BCG信号的神经网络睡姿识别算法可以广泛用于睡眠监测应用。     

一种图像背景更换方法的实现

针对相对复杂图像的背景更换问题,本文先运用模糊C均值聚类算法（FCM）对图像进行模糊分割。再根据模糊分类后的图像,本文设计了一种图像目标提取方法。实验表明,这种方法能还原模糊分类后的图像目标,并使背景部分更换成其他颜色,从而实现图像目标的提取。最后,设计了一种新的数据融合法将两种不同的合成算法结合起来,最终使目标图像与其他背景图像有机的合成在一起,从而实现图像的背景更换。     

模糊聚类分析在乳腺癌图像分类中的应用

研究模糊聚类分析在医学图像数据挖掘中的应用。利用决策树算法对乳腺癌图像数据进行分类,实现了一个基于决策树算法的医学图像分类器,获得了分类的实验结果。该模型系统达到了较高的分类准确率,证明数据挖掘在辅助医疗诊断中有着广泛的应用前景。     

一种基于粗糙集合理论的彩色图像分割

在数字图像处理中,图像分割是其中的一个重要问题,也是一个经典难题.基于阈值选取方法的图像分割计算简单,具有较高的运算效率,其方法多种多样,但是方法选取直接影响到图像分割的质量.为了对彩色图像进行合理的分割,获得合适的阈值,提出了一种基于粗糙集理论的彩色图像分割算法.它将基本直方图作为图像粗糙集的下近似,将Histon直方图作为其上近似,计算出图像粗糙度后通过单峰子集分离法实现对图像的分割.实验结果表明该算法对背景复杂和颜色渐变的彩色图像有较好的分割效果.     

一种基于模糊理论的鲁棒性数字水印算法

提出了一种新的基于模糊理论的鲁棒性水印算法。该算法利用模糊系统消除了图像块分类算法中异类块间易出现的边界,提高了水印化载体图像的视觉质量。实验结果表明,与基于图像块分类的算法相比,该算法在保持良好鲁棒性的同时,进一步增强了水印的透明性。     

基于粗-模糊神经网络的决策控制

通过将模糊集和粗集,神经网络结合,提出了一种基于模糊规则的新的粗模糊神经网络,它通过利用误差反向传播算法实时修正该新型网络中的权值参数,从而能被有效地应用于不确定系统的决策分类与模式识别问题.最后通过对一个不确定决策系统的模式识别的仿真结果表明该粗模糊神经网络能大大提高模式识别决策的准确率.     

基于模糊优势互补互信息的有序决策树算法

传统决策树算法应用于有序分类任务时存在两个问题：传统决策树算法没有引入序关系,因此无法学习和抽取数据集中的序结构;现实生活中存在大量模糊而非精确的知识,而传统的决策树算法无法处理存在模糊属性取值的数据。针对上述问题,提出了基于模糊优势互补互信息的有序决策树算法。首先,使用优势集表示数据中的序关系,并引入模糊集来计算优势集以形成模糊优势集。模糊优势集不仅能反映数据中的序信息,而且能自动获取不精确知识。然后,在模糊优势集的基础上将互补互信息进行推广,并提出了模糊优势互补互信息。最后,使用模糊优势互补互信息作为启发式,设计出基于模糊优势互补互信息的有序决策树算法。在5个人工数据集及9个现实数据集上的实验结果表明,所提算法在有序分类任务上较经典决策树算法取得了更低的分类误差。     

基于模糊理论决策的双向二维PCA 步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特 点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法。通过预处理技 术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低 平均步态能量子图像的系数矩阵维数,加快识别速度。引入模糊理论决策的方法进行最近邻 分类器的分类。最后在CASIA 步态数据库上对所提出的算法进行实验,实验结果表明该算 法具有较好的识别性能并有较强的鲁棒性。     

基于深度图像技术的手势识别方法

针对复杂环境下的手势识别问题,提出一种基于深度图像技术的手势识别方法。利用深度图像信息从复杂环境中提取手势区域,综合手势的表观特征,建立决策树实现手势的识别。对常见的9种手势在复杂背景条件下进行测试,实验结果表明,手势的平均识别率可达到98.4%,速度达到每秒25帧。     

Induction of multiple fuzzy decision trees based on rough set technique

The integration of fuzzy sets and rough sets can lead to a hybrid soft-computing technique which has been applied successfully to many fields such as machine learning, pattern recognition and image processing. The key to this soft-computing technique is how to set up and make use of the fuzzy attribute reduct in fuzzy rough set theory. Given a fuzzy information system, we may find many fuzzy attribute reducts and each of them can have different contributions to decision-making. If only one of the fuzzy attribute reducts, which may be the most important one, is selected to induce decision rules, some useful information hidden in the other reducts for the decision-making will be losing unavoidably. To sufficiently make use of the information provided by every individual fuzzy attribute reduct in a fuzzy information system, this paper presents a novel induction of multiple fuzzy decision trees based on rough set technique. The induction consists of three stages. First several fuzzy attribute reducts are found by a similarity based approach, and then a fuzzy decision tree for each fuzzy attribute reduct is generated according to the fuzzy ID3 algorithm. The fuzzy integral is finally considered as a fusion tool to integrate the generated decision trees, which combines together all outputs of the multiple fuzzy decision trees and forms the final decision result. An illustration is given to show the proposed fusion scheme. A numerical experiment on real data indicates that the proposed multiple tree induction is superior to the single tree induction based on the individual reduct or on the entire feature set for learning problems with many attributes.     

命题逻辑公式模糊软集语义及其在决策分析中的应用

基于论域公式引入软命题逻辑公式概念,给出软命题逻辑公式的模糊软语义解释.将决策模糊信息系统转化为决策模糊软集,软决策规则表示为包含有蕴含联结词的软命题逻辑公式.引入软命题逻辑公式的基本真度、条件真度、绝对真度等指标,从充分性、必要性等方面评价软决策规则的有效性、合理性.提出基于决策软集的典型软决策规则提取算法和基于软决策分析的推荐算法,并通过实例和数值实验证明算法的有效性.     

一种应用软粗糙模糊集的多属性决策方法

将软粗糙模糊集应用于多属性决策问题,用软粗糙模糊集分析模糊知识表达系统,定义了软模糊决策系统、决策分类模糊软集依赖度、条件双射软集对决策分类模糊软集的重要性、软模糊决策系统的约简、软模糊决策系统的决策规则等概念,借助这些概念给出了一种基于软粗糙模糊集的多属性决策算法,通过实例分析说明了该算法的可行性。     

基于模糊决策和MSD的单样本人脸识别算法

当每个人只有一个训练样本时,最大散度差鉴别分析在人脸识别中的识别性能会降低,为了解决这一问题,提出了基于模糊决策和最大散度差鉴别分析的单样本人脸识别算法。通过对每个训练样本进行适当的分块,从而获得较多的训练样本个数,在这些新的训练样本集上应用类内中间值最大散度差鉴别分析算法得到最优投影矩阵,并基于这个最优投影矩阵可以计算训练样本和待测试样本的特征。对模糊决策方法进行分类。在著名的ORL和FERET人脸数据库上的大量实验结果表明,该算法可以提高识别率。     

基于公理化模糊集语义图像层次关联规则分类器

为提高语义图像分类器性能,提出一种基于公理化模糊集的语义图像层次关联规则分类器。首先,为提高算法精度,在对图像数据集进行特征提取基础上,采用公理化理论（AFS）构建图像集模糊概念的AFS属性表达,提高图像集属性辨识度;其次,为提高算法计算效率,考虑采用层次结构关联规则,构建语义图像分类器,利用概念之间的本体信息,提高并行分类能力;最后,通过对算法参数及横向对比实验,显示所提算法具有较高的计算精度和计算效率。     

Human–machine interface in bioprosthesis control using EMG signal classification

Abstract: We present a concept of human–machine interface intended for the task of bioprosthesis decision control by means of sequential recognition of the patient's intent based on the electromyography (EMG) signal acquired from his/her body. The EMG signal characteristics, the problem of processing the signals including acquisition and feature extraction and their classification are discussed. The contextual (sequential) recognition via fuzzy relations for the classification of the patient's intent is considered and the implied decision algorithms are presented. In the proposed method, the fuzzy relation is determined on the basis of the learning set as a solution of an appropriate optimization problem and then this relation is used in the form of a matrix of membership degrees at successive instants of the sequential decision process. Three algorithms of sequential classification which differ from one another in the sets of input data and procedure are described. The proposed algorithms were experimentally tested in the recognition of phases of the grasping process of the hand on the basis of the EMG signal, where the real-coded genetic algorithm was used as an optimization procedure. The concept of the measurement stand which was the source of information exploited in the experimental investigations of the algorithms is also described.