量化粗糙集的单调性属性约简方法

单调性在经典粗糙集属性约简过程中发挥着重要的作用。然而,在一些泛化模型(如量化粗糙集模型)中该性质并不存在。针对该问题,提出了量化粗糙集模型中下近似单调约简的定义,并给出了求得该约简的启发式方法。实验结果表明,相较于下近似保持约简算法,下近似单调约简算法不仅耗时短,而且增加了由正域和边界域表示的确定性,同时降低了由边界域带来的不确定性。     

基于双通路卷积融合网络的脑龄分布预测

采用深度学习对脑龄预测问题进行研究,提出并设计一种基于双通路卷积融合网络的脑龄分布预测模型,以有效预测被试的大脑年龄。将被试静息态功能磁共振成像(rest-state functional MRI, rs-fMRI)数据通过标记分布学习方法,将确定的脑龄标签转化为一组具有高斯分布的概率,设计一个双通路卷积融合网络,包含卷积、批量归一化、池化等步骤,可以同时学习rs-fMRI多类激活图的特征,通过一个低秩融合网络来融合这些特征,利用损失函数对网络更新优化;对预测模型的结果进行详细分析。该模型得到的绝对平均误差和相关系数的指标分别为5.735和0.592 4。试验结果表明,相较于其他模型,该模型取得的平均绝对误差更小,相关系数更高,显著提高了基于rs-fMRI图像的脑龄预测精度。     

基于单种群蛙跳优化CNN的眼底图像多病变检测

为了有效解决眼底图像病变处存在交织重叠,大小血管密布并且受光照影响严重等问题,实现眼底图像多标签分类,提出了采用单种群蛙跳优化的卷积神经网络算法(SFCNN)对眼底多种病变进行检测.该算法保留混合蛙跳算法(SFLA)的高效寻优能力,简化成单种群蛙跳算法,并与传统卷积神经网络(CNN)有效结合.在初始化网络时,通过蛙跳算法优化网络初始权值选择;在网络迭代过程中监听卷积神经网络前向传播损失值并利用蛙跳算法的寻优能力修正异常权值;在网络符合结束条件后对最终权值进行一次蛙跳寻优,使网络权值得到进一步的优化,从而实现对复杂的眼底图像多病变检测分类.该算法对眼底图像病变检测的实验表明,相对于传统CNN算法,无论是在单病变检测还是同时整体检测,正确率均有所提高.     

基于混合容差关系的粗糙集模型

将弱不可分辨关系引入到不完备信息系统中,讨论不完备信息系统中三种不同的容差关系。首先,融合强容差关系和弱容差关系,提出混合容差关系;然后,其次,基于混合容差关系以及基于混合容差关系的极大连续块技术构建两种不同的粗糙集模型;最后,讨论这两种不同粗糙集模型之间的关系。     

基于Local约简的序贯三支分类器

序贯三支决策是三支决策理论近年发展起来的一种新型决策方法。传统的序贯三支决策方法鲜有针对序贯信息粒的构建和其在分类学习中的应用的研究。针对这两个问题,研究了Local约简与Global约简之间的内在序贯性,并以此构建了具有约简特性的序贯信息粒。在此基础上设计了一种序贯三支分类器。实验结果表明,该序贯三支分类器不仅能很好地在合适信息粒上进行分类,而且较传统的分类算法提高了数据集的分类精度。     

模糊逻辑引导的多粒度深度神经网络

准确识别和分类组织病理图像对于疾病的早期检测和治疗至关重要.病理医生诊断时通常会采用多层次的方式进行判断，即观察各个倍率下细胞的异常区域，然而现有模型通常只能在单一粒度上进行特征提取，忽略细胞的多粒度特性.因此，文中提出模糊逻辑引导的多粒度深度神经网络.首先，针对细胞的构造，在粗粒度、中粒度和细粒度这3个粒度层面上进行多粒度特征提取，充分利用病理组织图像中的信息.同时，针对多粒度特征提取时出现的关键信息冗余问题，引入模糊逻辑理论，设置多个模糊隶属函数，分别描述细胞在不同角度上的特征.然后，通过模糊运算得到模糊通用特征，由此设计模糊逻辑引导的交叉注意力机制模块，实现模糊通用特征对多粒度特征的引导.最后，通过编码器将特征扩散至所有的补丁令牌，获得较好的分类准确性和鲁棒性.实验表明，文中网络在组织病理图像分类上具有较高的准确率.     

DMGA-FCM:衍生多种群遗传进化的FCM自适应聚类算法

模糊C均值聚类(Fuzzy C-means Clustering, FCM)算法是分析医学数据的重要方法之一，FCM的聚类效果容易受初始聚类中心的影响；诸多研究人员往往采用多种群遗传算法(Multiple Population Genetic Algorithm, MPGA)解决上述问题，但MPGA的全局搜索能力不足并缺少自适应性、易过早收敛、初始聚类中心不佳.为此，本文提出一种DMGA-FCM:衍生多种群遗传进化(DMGA)的FCM自适应聚类算法.在DMGA-FCM中，本文首次提出的衍生算子，对初始化种群进行衍生操作，提升算法寻优能力，处理种群间寻优能力不足；利用模糊控制动态调节遗传概率，以提升算法自适应性，进而增强DMGA算法全局寻优能力，避免过早收敛；用DMGA优化FCM算法的初始聚类中心，以提升算法聚类效果.在仿真实验中，本文将该算法与其他相关FCM算法进行对比，可得到更优的医疗数据聚类效果和图像聚类分割效果.     

RCAR-UNet：基于粗糙通道注意力机制的视网膜血管分割网络

眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义，然而视网膜血管结构细微、边界模糊且分布不规则，对其进行准确分割存在较大的难度.针对视网膜血管的这些特征，提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络（RCARUNet）.该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元；接着基于粗糙神经元构建粗糙通道注意力模块，该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元，并进行神经元间的加权求和，对所建立的通道依赖关系进行合理的粗糙化，该依赖关系不仅包含全局信息，同时具有局部特性，可有效实现对所提取视网膜血管特征的准确重标定；然后添加残差连接，将特征直接从低层传递给高层，有助于解决网络性能退化问题，并有效提取更加丰富的视网膜血管特征；最后为了验证所提视网膜分割网络的有效性，在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验，实验结果表明，所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.