由于醫(yī)學(xué)圖像背景復(fù)雜,信噪比低,測(cè)量不均勻,醫(yī)學(xué)成像分割問(wèn)題一直是一個(gè)難題,探索一種高精度且耗時(shí)少的醫(yī)學(xué)圖像分類(lèi)分割算法具有重要的研究意義。極限學(xué)習(xí)機(jī)與BP神經(jīng)網(wǎng)絡(luò)相比,具有更快的學(xué)習(xí)速度,被廣泛應(yīng)用于分類(lèi),目標(biāo)識(shí)別領(lǐng)域,但其輸入層參數(shù)是隨機(jī)指定的,為此本文提出利用改進(jìn)的粒子群優(yōu)化算法進(jìn)一步提高極限學(xué)習(xí)機(jī)的穩(wěn)定性和效率,并將其應(yīng)用于醫(yī)學(xué)圖像分割。為解決上述問(wèn)題,本文的主要研究?jī)?nèi)容如下:1.基于極值擾動(dòng)的粒子群算法(RPSO)改進(jìn)研究�；玖Ｗ尤核惴ň哂幸子趯�(shí)現(xiàn)和搜索效率比較高的優(yōu)勢(shì),但存在局部最優(yōu)的問(wèn)題。本文研究分析了基本PSO容易陷入局部最優(yōu)的原因,根據(jù)粒子群體個(gè)體極值和全局極值隨迭代過(guò)程中停止變化的步數(shù)(T0和Tg),采用多梯度隨機(jī)擾動(dòng)調(diào)節(jié)的方法(RPSO)搜索個(gè)體極值和全局極值,增強(qiáng)了算法隨機(jī)搜索性能和擴(kuò)展搜索空間能力。另外,通過(guò)優(yōu)化復(fù)雜多維函數(shù)實(shí)驗(yàn),驗(yàn)證了改進(jìn)算法的尋優(yōu)能力以及提高效率的能力。2.改進(jìn)的粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)算法(RPSO-ELM)。本文介紹了極限學(xué)習(xí)機(jī)算法(ELM)的基本思想,闡述了 ELM訓(xùn)練和分類(lèi)的原理,同時(shí)分析ELM具有學(xué)習(xí)速度快和網(wǎng)絡(luò)映射復(fù)雜問(wèn)題能力...

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題背景及研究的意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)及主要內(nèi)容
2 基于極值擾動(dòng)的粒子群算法改進(jìn)研究
    2.1 粒子群算法簡(jiǎn)介
        2.1.1 PSO原理
        2.1.2 PSO控制參數(shù)簡(jiǎn)介
        2.1.3 PSO算法原理
    2.2 改進(jìn)的標(biāo)準(zhǔn)粒子群優(yōu)化算法
        2.2.1 標(biāo)準(zhǔn)PSO優(yōu)化算法
        2.2.2 RPSO算法基本思想
        2.2.3 實(shí)驗(yàn)及性能分析
    2.3 本章小結(jié)
3 基于改進(jìn)的粒子群算法優(yōu)化ELM分類(lèi)模型
    3.1 極限學(xué)習(xí)機(jī)算法介紹
        3.1.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)模型
        3.1.2 ELM算法原理
    3.2 改進(jìn)粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)
        3.2.1 RPSO-ELM基本思想
        3.2.2 算法分析與設(shè)計(jì)
    3.3 本章小結(jié)
4 RPSO-ELM算法應(yīng)用于醫(yī)學(xué)圖像分割
    4.1 引言
    4.2 CT圖像數(shù)據(jù)獲取
    4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)論
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來(lái)研究工作展望
參考文獻(xiàn)
附錄 本文作者讀碩期間發(fā)表的論文目錄
致謝



本文編號(hào)：3760810