本文關(guān)鍵詞：粗糙集近似集的不確定性研究及其在圖像分割中的應(yīng)用

  更多相關(guān)文章： 粗糙集 近似集 不確定性 屬性約簡(jiǎn) 圖像分割

【摘要】：隨著信息技術(shù)與網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,當(dāng)今人類社會(huì)已進(jìn)入大數(shù)據(jù)時(shí)代。隱藏在數(shù)據(jù)爆炸背后的知識(shí)急需發(fā)掘和獲取,而世界的不確定性又造就了目前更加紛繁復(fù)雜的多樣性數(shù)據(jù)。面對(duì)海量數(shù)據(jù)的極速增長(zhǎng),人們迫切需要透過(guò)數(shù)據(jù)的量變看到背后的質(zhì)變,更需要從不確定信息中找到有效的信息處理工具和知識(shí)發(fā)現(xiàn)方法。作為一種經(jīng)典的數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)工具,粗糙集已成為處理不確定性問(wèn)題的重要理論模型。粗糙集理論以不分明關(guān)系為基礎(chǔ)定義上、下近似集,通過(guò)精確的方法來(lái)近似刻畫不確定目標(biāo)概念,為解決不確定性問(wèn)題提供了理論依據(jù)。粗糙集理論已在不確定性人工智能等各個(gè)方面的多個(gè)領(lǐng)域得到廣泛的應(yīng)用并取得了顯著成果,但仍有一些問(wèn)題值得進(jìn)一步研究,如粗糙集本身缺乏對(duì)邊界域的進(jìn)一步有效近似刻畫,未直接給出粗糙集的最優(yōu)近似集及其約簡(jiǎn)算法,以及基于傳統(tǒng)粗糙集理論的圖像分割方法適用受限等問(wèn)題,本文針對(duì)以上問(wèn)題開展了如下幾方面研究工作:首先,針對(duì)粗糙集模型邊界域的刻畫問(wèn)題,引入了粗糙集近似集模型,分別從代數(shù)觀和信息觀對(duì)粗糙集近似集的知識(shí)約簡(jiǎn)方法進(jìn)行分析討論。從代數(shù)觀的角度,提出了粗糙集近似集模型的分布約簡(jiǎn)概念及其可辨識(shí)矩陣約簡(jiǎn)方法,并從理論上證明了該約簡(jiǎn)方法的完備性�；谛畔⒄撚^點(diǎn)給出了粗糙集近似集的信息熵概念和基于粗糙集近似集條件信息熵的屬性約簡(jiǎn)算法。其次,定義了粗糙集近似集的模糊熵度量準(zhǔn)則,通過(guò)討論近似集模糊熵的多粒度變化規(guī)律,提出了近似集的不確定性度量方法。從理論上證明了近似集的不確定性度量模型符合人腦基本認(rèn)知規(guī)律。實(shí)驗(yàn)結(jié)果表明了近似集知識(shí)獲取方法的可行性和有效性,進(jìn)一步促進(jìn)了粗糙集擴(kuò)展模型和不確定性理論的研究發(fā)展。最后,在近似集不確定性理論研究的基礎(chǔ)上,開展了近似集圖像分割的實(shí)際應(yīng)用研究。針對(duì)經(jīng)典粗糙集圖像分割方法存在的局限性問(wèn)題,基于粗糙集近似集理論模型,采用自適應(yīng)�；椒ㄇ蠼鈭D像的最優(yōu)粒度,構(gòu)建圖像的目標(biāo)和背景上下近似集,再根據(jù)近似集思想對(duì)目標(biāo)集合的邊界域進(jìn)行進(jìn)一步刻畫,同時(shí)結(jié)合粒子群算法提高求解粗糙集近似集最大粗糙熵的效率,最終得到圖像分割的最優(yōu)分割閾值,并通過(guò)仿真實(shí)驗(yàn)和分割結(jié)果模糊熵定量評(píng)價(jià)結(jié)果,表明該方法具有可行性和有效性,進(jìn)一步促進(jìn)了近似集理論模型的研究發(fā)展和實(shí)際應(yīng)用。
【關(guān)鍵詞】：粗糙集 近似集 不確定性 屬性約簡(jiǎn) 圖像分割
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18;TP391.41
【目錄】：

• 摘要3-5
• Abstract5-9
• 第1章 引言9-15
• 1.1 論文選題背景及意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及存在的問(wèn)題10-12
• 1.3 論文主要研究?jī)?nèi)容12
• 1.4 論文組織結(jié)構(gòu)12-15
• 第2章 粗糙集近似集理論基礎(chǔ)知識(shí)15-25
• 2.1 粗糙集的基本概念15-17
• 2.2 粗糙集近似集的基本概念17-19
• 2.3 粗糙集的屬性約簡(jiǎn)方法19-22
• 2.4 粗糙集的不確定性度量22-24
• 2.5 本章小結(jié)24-25
• 第3章 基于粗糙集近似集的不確定性知識(shí)獲取方法25-40
• 3.1 引言25-26
• 3.2 近似集的知識(shí)獲取方法26-32
• 3.2.1 近似集的代數(shù)觀約簡(jiǎn)方法26-30
• 3.2.2 近似集的信息觀約簡(jiǎn)方法30-32
• 3.3 近似集的不確定性度量方法32-36
• 3.4 對(duì)比實(shí)驗(yàn)及分析36-38
• 3.5 本章小結(jié)38-40
• 第4章 基于粗糙集近似集的圖像分割方法40-51
• 4.1 引言40-41
• 4.2 粗糙集的圖像信息系統(tǒng)構(gòu)建41-42
• 4.3 近似集粒度自適應(yīng)圖像劃分42-44
• 4.4 近似集與粒子群的粗糙熵圖像分割方法44-45
• 4.5 實(shí)驗(yàn)對(duì)比及分析45-50
• 4.6 本章小結(jié)50-51
• 第5章 總結(jié)及未來(lái)的工作51-53
• 5.1 全文總結(jié)51-52
• 5.2 未來(lái)工作52-53
• 參考文獻(xiàn)53-57
• 致謝57-58
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果58

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 趙雪梅;李玉;趙泉華;;結(jié)合高斯回歸模型和隱馬爾可夫隨機(jī)場(chǎng)的模糊聚類圖像分割[J];電子與信息學(xué)報(bào);2014年11期

2 吳濤;;圖像閾值化的自適應(yīng)粗糙熵方法[J];中國(guó)圖象圖形學(xué)報(bào);2014年01期

3 李偉斌;高二;宋松和;;一種全局最小化的圖像分割方法[J];電子與信息學(xué)報(bào);2013年04期

4 錢文彬;楊炳儒;徐章艷;張長(zhǎng)勝;;基于信息熵的核屬性增量式高效更新算法[J];模式識(shí)別與人工智能;2013年01期

5 龍建武;申鉉京;陳海鵬;;自適應(yīng)最小誤差閾值分割算法[J];自動(dòng)化學(xué)報(bào);2012年07期

6 張清華;王國(guó)胤;肖雨;;粗糙集的近似集[J];軟件學(xué)報(bào);2012年07期

7 鄧廷權(quán);盛春冬;;結(jié)合變精度粗糙熵和遺傳算法的圖像閾值分割方法[J];控制與決策;2011年07期

8 許新征;丁世飛;史忠植;賈偉寬;;圖像分割的新理論和新方法[J];電子學(xué)報(bào);2010年S1期

9 王國(guó)胤;姚一豫;于洪;;粗糙集理論與應(yīng)用研究綜述[J];計(jì)算機(jī)學(xué)報(bào);2009年07期

10 王國(guó)胤;張清華;;不同知識(shí)粒度下粗糙集的不確定性研究[J];計(jì)算機(jī)學(xué)報(bào);2008年09期

，

本文編號(hào)：1086807