本文關(guān)鍵詞：核支持向量機(jī)在磁共振腦圖像分類中的應(yīng)用研究

  更多相關(guān)文章： 支持向量機(jī) MR 粒子群算法 遺傳算法 核參數(shù) 懲罰參數(shù)

【摘要】：本文首先敘述了磁共振(MR)腦圖像分類診斷的歷史及發(fā)展現(xiàn)狀,在此基礎(chǔ)上提出了將核支持向量機(jī)(SVM)與MR腦圖像早期診斷相結(jié)合的新思路,將模式識(shí)別應(yīng)用到實(shí)際圖像分類中。SVM具有很好的歸納容錯(cuò)能力,能夠找到全局最優(yōu)解,在解決圖像分類與模式識(shí)別問(wèn)題中體現(xiàn)出許多優(yōu)勢(shì)。在實(shí)際應(yīng)用中,如何選取核參數(shù)與懲罰系數(shù)對(duì)分類結(jié)果很重要,只有選取合適的參數(shù),才能得到具有良好推廣能力的SVM分類器。本文對(duì)MR腦圖像進(jìn)行特征提取,并對(duì)部分特征進(jìn)行組合,使得能夠利用少量特征就能對(duì)MR腦圖像進(jìn)行高準(zhǔn)確率分類,首先對(duì)比了MR腦圖像在多項(xiàng)式(Polynomial)核函數(shù)、線性函數(shù)、徑向基核函數(shù)(RBF)下生成結(jié)果的不同,又采用三種優(yōu)化方法：網(wǎng)格搜索法、用遺傳算法(GA)和粒子群優(yōu)化(PSO)對(duì)SVM兩個(gè)參數(shù)c與σ進(jìn)行優(yōu)化,將三種優(yōu)化算法應(yīng)用于MR腦圖像數(shù)據(jù)集的分類中,比較三種優(yōu)化算法的性能,又運(yùn)用PSO-SVM方法比較不同數(shù)據(jù)集下分類器的性能,最后與機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘中的部分分類方法進(jìn)行比較,包括KNN算法、KM算法、模糊神經(jīng)網(wǎng)絡(luò)算法、線性判別分析法。方法：以MR腦圖像中提取出的小波能量(Wavelet Energy)和小波熵(Wavelet Entropy)的聯(lián)合特征(簡(jiǎn)稱WEWE)為基礎(chǔ),將部分特征進(jìn)行組合,尋找最優(yōu)分類且特征數(shù)目最少的特征組合,然后將125例病例樣本隨機(jī)分為訓(xùn)練集和測(cè)試集,用歸一化后的數(shù)據(jù)用來(lái)訓(xùn)練SVM網(wǎng)絡(luò)。通過(guò)分類準(zhǔn)確率與選取經(jīng)驗(yàn),采用RBF核函數(shù),再使用網(wǎng)格搜索法選擇合適的懲罰參數(shù)c和核參數(shù)σ,用測(cè)試集測(cè)試該網(wǎng)絡(luò)區(qū)分正常MR腦圖像和非正常MR腦圖像的能力,之后再分別用GA和PSO對(duì)參數(shù)進(jìn)行優(yōu)化,在交叉驗(yàn)證的條件下實(shí)現(xiàn)對(duì)各種方法的參數(shù)選擇,將PSO-SVM尋找到最佳參數(shù)建立的分類模型與隨機(jī)選擇參數(shù)建立的模型進(jìn)行對(duì)比,最后將各種分類方法的結(jié)果進(jìn)行對(duì)比,其中包括機(jī)器學(xué)習(xí)中的KNN算法、KM算法與模糊神經(jīng)網(wǎng)絡(luò)算法,探尋分類效果最好的方法。結(jié)果：通過(guò)測(cè)試集輸出結(jié)果對(duì)比,發(fā)現(xiàn)利用WEWE,結(jié)合粒子群優(yōu)化算法優(yōu)化后的SVM(簡(jiǎn)稱PSO-SVM)的分類效果最好,達(dá)到99.68%。然后,用PSO-SVM與BP神經(jīng)網(wǎng)絡(luò)、KNN分類算法等相比,PSO-SVM的分類效果是最好的,能對(duì)SVM的參數(shù)進(jìn)行快速、精確的選擇且操作簡(jiǎn)單,有很好的泛化能力,使SVM具有更高的分類準(zhǔn)確率。因此,PSO優(yōu)化SVM網(wǎng)絡(luò)更適用于MRI影像疾病的診斷,值得進(jìn)一步探索與研究。
【關(guān)鍵詞】：支持向量機(jī) MR 粒子群算法 遺傳算法 核參數(shù) 懲罰參數(shù)
【學(xué)位授予單位】：南京師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R445.2;TP18
【目錄】：

• 摘要4-5
• Abstract5-7
• 縮略用語(yǔ)表7-10
• 第1章 緒論10-14
• 1.1 研究背景及意義10-11
• 1.2 MR腦圖像診斷的國(guó)內(nèi)外現(xiàn)狀11-14
• 第2章 MR腦圖像特征提取14-24
• 2.1 MR腦圖像診斷材料14
• 2.2 小波變換與二維離散小波變換14-18
• 2.3 小波能量與小波熵18-23
• 2.3.1 特征選擇20
• 2.3.2 探尋最優(yōu)分解層次20-21
• 2.3.3 特征組合的可視化21-23
• 2.4 數(shù)據(jù)的預(yù)處理23-24
• 第3章 基于網(wǎng)格搜索方法的SVM參數(shù)尋優(yōu)24-34
• 3.1 支持向量機(jī)的理論基礎(chǔ)24-28
• 3.1.1 SVM算法簡(jiǎn)介24
• 3.1.2 SVM算法的原理24-28
• 3.1.3 SVM算法的特點(diǎn)28
• 3.2 核函數(shù)與實(shí)驗(yàn)平臺(tái)28-29
• 3.2.1 核函數(shù)28-29
• 3.2.2 實(shí)驗(yàn)平臺(tái)29
• 3.3 交叉驗(yàn)證與網(wǎng)格劃分參數(shù)尋優(yōu)29-31
• 3.4 算法的衡量指標(biāo)31
• 3.5 實(shí)驗(yàn)結(jié)果分析31-34
• 第4章 基于遺傳算法與粒子群優(yōu)化算法的SVM參數(shù)尋優(yōu)34-53
• 4.1 遺傳算法的參數(shù)尋優(yōu)34-38
• 4.1.1 遺傳算法簡(jiǎn)介34-36
• 4.1.2 遺傳算法的特點(diǎn)36-37
• 4.1.3 遺傳算法的尋優(yōu)流程圖37-38
• 4.1.4 matlab實(shí)現(xiàn)遺傳算法的參數(shù)尋優(yōu)38
• 4.2 粒子群實(shí)現(xiàn)參數(shù)尋優(yōu)38-42
• 4.2.1 粒子群算法簡(jiǎn)介38-40
• 4.2.2 粒子群尋優(yōu)流程圖40-41
• 4.2.3 粒子群尋優(yōu)偽碼步驟41
• 4.2.4 matlab實(shí)現(xiàn)粒子群參數(shù)尋優(yōu)41-42
• 4.3 實(shí)驗(yàn)結(jié)果42-44
• 4.3.1 分類正確性比較42-43
• 4.3.2 隨機(jī)參數(shù)選擇分類結(jié)果比較43-44
• 4.3.3 改變數(shù)據(jù)量的分類結(jié)果比較44
• 4.4 粒子群優(yōu)化方法與其他算法比較44-49
• 4.4.1 反向傳播神經(jīng)網(wǎng)絡(luò)44-46
• 4.4.2 線性判別分析法46-48
• 4.4.3 KNN算法48-49
• 4.4.4 KM方法49
• 4.5 幾種算法實(shí)驗(yàn)結(jié)果比較49-51
• 4.6 本章小結(jié)51-53
• 第5章 總結(jié)與展望53-56
• 5.1 總結(jié)53-54
• 5.2 展望54-56
• 參考文獻(xiàn)56-60
• 攻讀碩士學(xué)位期間發(fā)表論文和參與基金項(xiàng)目60-62
• 致謝62

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 Steiner E ,顏志平;采用數(shù)字錄像透視攝取胃腸道直接數(shù)字化點(diǎn)片[J];國(guó)外醫(yī)學(xué)(消化系疾病分冊(cè));1990年02期

2 李莉;木拉提·哈米提;;醫(yī)學(xué)影像數(shù)據(jù)分類方法研究綜述[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2011年06期

3 趙杰;萬(wàn)丹丹;門國(guó)尊;;改進(jìn)的FSVM結(jié)合語(yǔ)義特征的甲狀腺圖像分類方法[J];電視技術(shù);2014年05期

4 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語(yǔ)義圖像分類研究[D];浙江大學(xué);2014年

3 陳博;基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類[D];西安電子科技大學(xué);2015年

4 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類的主動(dòng)學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

6 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

7 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

8 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

9 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

10 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類中的應(yīng)用研究[D];西南大學(xué);2015年

2 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類中的應(yīng)用研究[D];河北工程大學(xué);2015年

3 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類研究[D];蘭州大學(xué);2015年

4 吳正文;卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D];電子科技大學(xué);2015年

5 陳勝喃;基于稀疏編碼的圖像分類[D];中國(guó)石油大學(xué)(華東);2014年

6 高翠;特征選擇方法在圖像分類中的研究與應(yīng)用[D];中國(guó)石油大學(xué)(華東);2014年

7 于風(fēng)格;面向圖像分類的特征選擇方法[D];北京交通大學(xué);2016年

8 王挺進(jìn);基于語(yǔ)義模型的圖像分類方法研究[D];解放軍信息工程大學(xué);2014年

9 鄒曉川;基于多視圖學(xué)習(xí)的大規(guī)模圖像分類的研究[D];南京大學(xué);2014年

10 陳彤彤;基于多示例學(xué)習(xí)的圖像分類研究[D];魯東大學(xué);2016年

，

本文編號(hào)：570867