胞腔同调边缘学习算法研究

边缘划分问题是数据分析的核心问题之一.针对晶体数据的边缘分类问题,引入同调论的思想,提出了胞腔同调边缘算法和正则胞腔同调边缘学习算法及上同调边缘学习算法,并将其应用于晶体结构预测和分类.鉴于晶体数据满足对称群的基本性质,引用同调代数的方法从机器学习的角度来研究数据的边缘分类问题.为了从不同角度构造分类模型,先从相对同调边缘展开为局部同调和定向同调,再深入到上同调边缘算法和腔胞同调边缘算法,由着重系数定理扩展到正则胞腔同调,进而延伸至相对流形.仿真结果表明了算法的有效性.     

基于边缘邻域的乳腺肿块特征提取算法

乳腺癌是一种严重威胁人类生命健康的疾病。只有早发现和早治疗才不会错过治疗的最佳时机。乳腺肿块是乳腺癌最主要、最常见的病灶特征,研究乳腺图像中肿块的特征提取,有利于辅助医生诊断,提高医生阅片的效率和正确率。本文针对以往的特征提取方法没有考虑图像的空间信息,造成分类准确率不高的问题,提出一种基于边缘邻域的特征提取算法,使图像特征包含肿块边缘邻域空间信息,其基本思想结合了主动轮廓模型和词袋模型,利用参数控制并确定边缘邻域,对邻域内的特征进行组合或者加权。在保证分类器模型不变的情况下,通过与以往的特征提取算法相比,验证了本算法在分类准确率上优于其他特征提取算法。     

一种同调边缘学习算法

面对复杂的数据,边缘问题是其核心问题之一。目前比较成功的算法有SVM最大边缘算法和TVQ算法,这些算法各有优缺点。论文针对目前方法中存在的一些不足,引进同调理论,用同调代数的思想构建了一种同调代数的边缘学习算法,并通过实验和实例进行验证。     

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。     

扩展的多尺度模糊边缘检测

文章提出了一种扩展的多尺度模糊边缘检测方法(IFED)。凭借小波多尺度理论去噪和准确定位的优势,算法将像素的邻域由8邻域扩展到了16邻域,有效地利用了多尺度滤波以及模糊竞争分类法则,较好地保留了图像的细节部分,提高了抗噪性。实验结果表明,与传统的边缘提取算法和模糊竞争算法相比,扩展的多尺度模糊边缘检测方法(IFED)能得到更满意的效果,尤其在抗噪性能上的结果是相当的理想。     

一种基于上边缘同调学习算法的设计与应用

介绍晶体数据结构分析方法,目前的研究晶体识别的处理技术主要有电子衍射强度的经验校正方法与晶体相位扩展处理技术,以及高分辨像的最大熵解卷处理技术与晶体学图象处理技术。从物理学家广泛使用同调论来分析晶体数据的启发下,针对晶体数据的边缘划分等问题,引进同调论思想从机器学习角度来研究边缘划分学习新方法,提出了一种基于上边缘同调学习算法设计与应用。     

一种新的遥感影像边缘检测方法

提出一种针对于遥感影像的边缘检测方法。该方法首先利用多个尺寸的邻域结构对图像进行平滑，然后根据图像灰度进行对象云化处理，构建对象云。通过云运算生成边界云并构建边缘模糊特征平面，在条件概率和模糊划分熵的基础上，通过最大模糊熵原则确定最优阈值，对图像模糊边界进行提取。试验结果表明，该算法能保留大量低灰度信息，并有效地去除了次要边缘对主边缘的干扰。     

多个邻域CNN融合粒子群算法的边缘检测

受Bastürk算法思想的启发,考虑多个邻域元素的影响,并采用完全稳定的细胞神经网络克隆模板设计方法,把1邻域扩展到2邻域和3邻域,将粒子群优化算法应用于模板学习。仿真实验表明,本算法不仅比经典的边缘检测算法更具优越性,而且比基于遗传算法和克隆选择算法的边缘检测效果更为有效,具有良好的应用前景。     

基于PCNN的改进脉冲噪声去噪方法

提出了一种基于噪声邻域结构分析的脉冲噪声去除方法。对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声。对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类。对邻域结构简单的噪声点采用中值滤波进行去噪;对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法。实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节。     

多尺度加权邻域Gap算子图像边缘检测方法

依据Hastie T．和Tibshirani R．等提出的“Gap统计”的思想方法,通过分析样本灰度数据分布的差别,在进一步考虑加权邻域的基础上,建立了图像边缘检测的多尺加权邻域Gap统计模型。提出正则加权邻域的概念,并通过证明具体地给出了与尺度有关的正则邻域权重密度函数。分析Gap算子的性质,给出在加权邻域下模型边缘检测算法。给出正则加权邻域下不同尺度的检测结果,分析Gap算子与Sobel边缘检测算子之间的关系。模型具有多尺度、依尺度抗噪声的特点。     

一种改进的邻域保持嵌入算法

邻域保持嵌入(NPE)是一种新颖的子空间学习算法,在降维的同时保持了样本集原有的局部邻域流形结构。为了进一步增强NPE在人脸识别和语音识别中的识别功能,提出了一种改进的邻域保持嵌入算法(RNPE)。在NPE的基础上通过引入类间权值矩阵,使得类间离散度最大,类内离散度最小,增加了样本类间散布约束。最后利用极端学习机(ELM)分类器进行分类,在Yale人脸库、Umist人脸库、Isolet语音库上的实验结果表明,RNPE算法的识别率明显高于NPE算法、LMMDE算法以及RAF-GE算法。     

实现图象边缘检测的改进广义模糊算子法

在相关文献的基础上提出一种邻域加权预处理方法,基本解决了运用广义模糊算子进行边缘检测时出现的断线等问题。实验表明本算法相对于几种常用的边缘检测算子而言能获得较好的效果。     

联合自适应邻域和Bagging的协同表示集成学习方法

近年来，协同表示分类(collaborative representation classification, CRC)算法成为高光谱遥感影像分类的研究热点，其中基于bagging的协同表示集成学习算法(bagging-based collaborative representation classification, BagsCRC)利用bagging集成方式有效地提高了基分类器协同表示分类算法的精度。为进一步提升BagsCRC算法的有效性，文章提出了一种联合自适应形状邻域和bagging协同表示集成学习算法(shape-adaptive bagging-based collaborative representation classification, SABagsCRC)。该算法通过构建训练样本和测试样本的自适应形状邻域，进而构建空间信息约束的分类器集成模式。实验采用Indian pines和Washington DC Mall两组高光谱遥感影像，对所提出算法的性能进行了评价。实验结果表明，SABagsCRC算法在分类效果上比BagsCRC算法有明显的提升。     

基于Fisher score与模糊邻域熵的多标记特征选择算法

针对Fisher score未充分考虑特征与标记以及标记之间的相关性，以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性，导致算法分类性能偏低等问题，提出一种基于Fisher score与模糊邻域熵的多标记特征选择算法（MLFSF）。首先，利用最大信息系数（MIC）衡量特征与标记之间的关联程度，构建特征与标记关系矩阵；基于修正余弦相似度定义标记关系矩阵，分析标记之间的相关性。其次，给出一种二阶策略获得多个二阶标记关系组，以此重新划分多标记论域；通过增强标记之间的强相关性和削弱标记之间的弱相关性得到每个特征的得分，进而改进Fisher score模型，对多标记数据进行预处理。再次，引入多标记分类间隔，定义自适应邻域半径和邻域类并构造了上、下近似集；在此基础上提出了多标记粗糙隶属度函数，将多标记邻域粗糙集映射到模糊集，基于多标记模糊邻域给出了上、下近似集以及多标记模糊邻域粗糙集模型，由此定义模糊邻域熵和多标记模糊邻域熵，有效度量边界域的不确定性。最后，设计基于二阶标记相关性的多标记Fisher score特征选择算法（MFSLC），从而构建MLFSF。在多标记K近邻（MLKNN）分类器...     

邻域等价关系诱导的改进ID3决策树算法

经典ID3决策树算法适用于离散型数据分类,但用于连续处理时需要数据离散化容易导致信息损失。提出邻域等价关系从而诱导邻域ID3(NID3)决策树算法,NID3算法改进了ID3决策树算法,能够直接实施连续预测并获取更好的分类效果。在邻域决策系统中,挖掘一种邻域等价关系;基于邻域等价粒化,构建邻域信息度量;基于邻域信息增益,设计NID3决策树算法。实例分析与数据实验均表明,NID3算法具有连续数据分类预测有效性,在分类机器学习中优于ID3算法。     

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。     

粗糙集理论在阴影图像边缘检测中的应用

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,该文提出一种基于粗糙集阴影边缘方法,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,再对边缘点进行细化和跟踪,删除那些假边缘点,最后得到阴影边缘图像。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得到了改善。     

基于样本邻域保持的代价敏感特征选择

特征选择是机器学习和数据挖据中一个重要的预处理步骤,而类别不均衡数据的特征选择是机器学习和模式识别中的一个热点研究问题。多数传统的特征选择分类算法追求高精度,并假设数据没有误分类代价或者有同样的代价。在现实应用中,不同的误分类往往会产生不同的误分类代价。为了得到最小误分类代价下的特征子集,本文提出一种基于样本邻域保持的代价敏感特征选择算法。该算法的核心思想是把样本邻域引入现有的代价敏感特征选择框架。在8个真实数据集上的实验结果表明了该算法的优越性。     

混合算法的邻域结构变更研究及在排样问题上的应用

本文研究了全局搜索算法和局部搜索算法的混合机制,设计了基于邻域搜索和遗传算法的混合搜索算法。该算法结合了遗传算法的全局搜索特性和邻域局部贪婪搜索特性;在分析排样问题碰靠过程特征的基础上,构建了排样问题邻域假设,当邻域假设满足时,遗传算法+邻域搜索能很好发挥作用;当不能判断邻域结构是否满足邻域假设时,提出了建立遗传算法+匹配变邻域的搜索算法,该算法兼顾了组合优化中邻域搜索的局部搜索无效的情况,实现了匹配的变邻域混合算法在排样优化问题中的应用。实例结果标明,排样图形不一样,其求解难度不一样,该算法均搜索到了更好的排样模式,验证了算法的有效性。     

基于Bag-of-Features算法的车辆检测研究

车辆检测已成为交通运输工程(ACC)和先进辅助驾驶系统(ADAS)中的核心技术之一。该算法利用车辆的边缘特征与Bag-of-Features(BoF)模型的融合对前方运动车辆进行实时检测,主要包含车辆假设存在区域生成和假设区域验证两部分。首先,对图像进行预处理后利用Sobel边缘检测处理得到车辆假设存在的区域;然后,利用Bag-of-Features的K最近邻域算法对假设存在区域进行验证。该算法与其他算法最大的区别在于将边缘和Bag-of-Features相结合来提高检测率。通过对实际道路视频进行测试,结果表明,该方法能够实时准确地检测出道路上前方运动车辆。