發(fā)布時間：2017-07-21 01:20

  本文關鍵詞：核支持向量機在磁共振腦圖像分類中的應用研究

  更多相關文章： 支持向量機 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,在此基礎上提出了將核支持向量機(SVM)與MR腦圖像早期診斷相結合的新思路,將模式識別應用到實際圖像分類中。SVM具有很好的歸納容錯能力,能夠找到全局最優(yōu)解,在解決圖像分類與模式識別問題中體現(xiàn)出許多優(yōu)勢。在實際應用中,如何選取核參數(shù)與懲罰系數(shù)對分類結果很重要,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MR腦圖像進行特征提取,并對部分特征進行組合,使得能夠利用少量特征就能對MR腦圖像進行高準確率分類,首先對比了MR腦圖像在多項式(Polynomial)核函數(shù)、線性函數(shù)、徑向基核函數(shù)(RBF)下生成結果的不同,又采用三種優(yōu)化方法：網格搜索法、用遺傳算法(GA)和粒子群優(yōu)化(PSO)對SVM兩個參數(shù)c與σ進行優(yōu)化,將三種優(yōu)化算法應用于MR腦圖像數(shù)據集的分類中,比較三種優(yōu)化算法的性能,又運用PSO-SVM方法比較不同數(shù)據集下分類器的性能,最后與機器學習與數(shù)據挖掘中的部分分類方法進行比較,包括KNN算法、KM算法、模糊神經網絡算法、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(簡稱WEWE)為基礎,將部分特征進行組合,尋找最優(yōu)分類且特征數(shù)目最少的特征組合,然后將125例病例樣本隨機分為訓練集和測試集,用歸一化后的數(shù)據用來訓練SVM網絡。通過分類準確率與選取經驗,采用RBF核函數(shù),再使用網格搜索法選擇合適的懲罰參數(shù)c和核參數(shù)σ,用測試集測試該網絡區(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對參數(shù)進行優(yōu)化,在交叉驗證的條件下實現(xiàn)對各種方法的參數(shù)選擇,將PSO-SVM尋找到最佳參數(shù)建立的分類模型與隨機選擇參數(shù)建立的模型進行對比,最后將各種分類方法的結果進行對比,其中包括機器學習中的KNN算法、KM算法與模糊神經網絡算法,探尋分類效果最好的方法。結果：通過測試集輸出結果對比,發(fā)現(xiàn)利用WEWE,結合粒子群優(yōu)化算法優(yōu)化后的SVM(簡稱PSO-SVM)的分類效果最好,達到99.68%。然后,用PSO-SVM與BP神經網絡、KNN分類算法等相比,PSO-SVM的分類效果是最好的,能對SVM的參數(shù)進行快速、精確的選擇且操作簡單,有很好的泛化能力,使SVM具有更高的分類準確率。因此,PSO優(yōu)化SVM網絡更適用于MRI影像疾病的診斷,值得進一步探索與研究。
【關鍵詞】：支持向量機 MR 粒子群算法 遺傳算法 核參數(shù) 懲罰參數(shù)
【學位授予單位】：南京師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R445.2;TP18
【目錄】：

• 摘要4-5
• Abstract5-7
• 縮略用語表7-10
• 第1章 緒論10-14
• 1.1 研究背景及意義10-11
• 1.2 MR腦圖像診斷的國內外現(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)據的預處理23-24
• 第3章 基于網格搜索方法的SVM參數(shù)尋優(yōu)24-34
• 3.1 支持向量機的理論基礎24-28
• 3.1.1 SVM算法簡介24
• 3.1.2 SVM算法的原理24-28
• 3.1.3 SVM算法的特點28
• 3.2 核函數(shù)與實驗平臺28-29
• 3.2.1 核函數(shù)28-29
• 3.2.2 實驗平臺29
• 3.3 交叉驗證與網格劃分參數(shù)尋優(yōu)29-31
• 3.4 算法的衡量指標31
• 3.5 實驗結果分析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 遺傳算法簡介34-36
• 4.1.2 遺傳算法的特點36-37
• 4.1.3 遺傳算法的尋優(yōu)流程圖37-38
• 4.1.4 matlab實現(xiàn)遺傳算法的參數(shù)尋優(yōu)38
• 4.2 粒子群實現(xiàn)參數(shù)尋優(yōu)38-42
• 4.2.1 粒子群算法簡介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實現(xiàn)粒子群參數(shù)尋優(yōu)41-42
• 4.3 實驗結果42-44
• 4.3.1 分類正確性比較42-43
• 4.3.2 隨機參數(shù)選擇分類結果比較43-44
• 4.3.3 改變數(shù)據量的分類結果比較44
• 4.4 粒子群優(yōu)化方法與其他算法比較44-49
• 4.4.1 反向傳播神經網絡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 幾種算法實驗結果比較49-51
• 4.6 本章小結51-53
• 第5章 總結與展望53-56
• 5.1 總結53-54
• 5.2 展望54-56
• 參考文獻56-60
• 攻讀碩士學位期間發(fā)表論文和參與基金項目60-62
• 致謝62

【相似文獻】

中國期刊全文數(shù)據庫 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)字化點片[J];國外醫(yī)學(消化系疾病分冊);1990年02期

2 李莉;木拉提·哈米提;;醫(yī)學影像數(shù)據分類方法研究綜述[J];中國醫(yī)學物理學雜志;2011年06期

3 趙杰;萬丹丹;門國尊;;改進的FSVM結合語義特征的甲狀腺圖像分類方法[J];電視技術;2014年05期

4 ;[J];;年期

中國重要會議論文全文數(shù)據庫 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調算法[A];’2004計算機應用技術交流會議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機的圖像分類[A];中國電子學會第十六屆信息論學術年會論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術在油品分析中的應用[A];中國儀器儀表學會第六屆青年學術會議論文集[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)學圖像分類[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（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];第十三屆全國圖象圖形學學術會議論文集[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（天津）2013IT、網絡、信息技術、電子、儀器儀表創(chuàng)新學術會議論文集[C];2013年

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

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學圖像分類[A];第二十屆全國數(shù)據庫學術會議論文集（研究報告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點特征提取的醫(yī)學圖像分類[A];第二十四屆中國數(shù)據庫學術會議論文集（研究報告篇）[C];2007年

10 武進;尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應用[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

中國博士學位論文全文數(shù)據庫 前10條

1 胡堯;基于低秩矩陣估計的機器學習算法分析[D];浙江大學;2015年

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

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

4 王曉東;基于稀疏特征學習的復雜圖像分類[D];西安電子科技大學;2014年

5 顧迎節(jié);面向圖像分類的主動學習算法研究[D];南京理工大學;2015年

6 趙鑫;圖像分類中的判別性增強研究[D];中國科學技術大學;2013年

7 楊冰;基于藝術風格的繪畫圖像分類研究[D];浙江大學;2013年

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

9 賈世杰;基于內容的商品圖像分類方法研究[D];大連理工大學;2013年

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

中國碩士學位論文全文數(shù)據庫 前10條

1 李函怡;融合主動學習的半監(jiān)督技術在圖像分類中的應用研究[D];西南大學;2015年

2 王亞鳳;基于多特征的主動學習方法在圖像分類中的應用研究[D];河北工程大學;2015年

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

4 吳正文;卷積神經網絡在圖像分類中的應用研究[D];電子科技大學;2015年

5 陳勝喃;基于稀疏編碼的圖像分類[D];中國石油大學(華東);2014年

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

7 于風格;面向圖像分類的特征選擇方法[D];北京交通大學;2016年

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

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

10 陳彤彤;基于多示例學習的圖像分類研究[D];魯東大學;2016年

，

本文編號：570867