具有多尺度决策的信息系统的最优全局剪枝选择

作为人工智能领域的一个重要方向，粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题，利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念，每个属性和决策都有一个粒度树，每个粒度树都有许多不同的局部剪枝，代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝，从而产生一个混合尺度决策表.其次，给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究，还设计了一个算法来验证该方法的有效性.     

用证据理论刻画协调的具有多尺度决策的信息系统的最优尺度选择

作为人工智能领域的一个重要方向,粒计算在数据挖掘和知识发现方面的研究呈现较大优势.针对具有多尺度决策的信息系统的知识获取问题,提出用证据理论研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍具有多尺度决策的信息系统及其尺度选择的概念,阐明尺度选择的全体构成一个格结构;其次,给出具有多尺度决策的信息系统在不同尺度选...     

不完备广义多尺度决策系统的逐步最优尺度选择

现有的最优尺度选择算法有可能无法得到全局最优尺度组合,且具有较高的时间和空间复杂度。针对该问题,提出了不完备广义多尺度决策系统的逐步最优尺度选择算法。介绍了不完备广义多尺度决策系统,给出了上下近似集的性质;采取属性约简与尺度选择同步优化策略,以得到全局最优尺度组合;给出了一个快速的求相容类方法,并提出了不完备广义多尺度决策系统的逐步最优尺度组合选择算法,该算法显著降低了时间复杂度与空间复杂度。数值实验表明所提出的算法是有效的。     

基于熵的多尺度决策系统的最优尺度选择

粒计算模拟人类思考问题的自然模式是当今人工智能领域非常活跃的研究方向,在大数据挖掘和知识发现方面有独特的优势.针对多尺度决策系统的知识表示与知识获取问题,提出用信息熵角度研究多尺度信息系统的最优尺度选择问题.首先,定义多尺度信息系统的熵最优尺度与多尺度决策系统的广义决策熵最优尺度的概念;其次,讨论新提出的最优尺度概念与传统最优尺度概念之间的关系,证明在多尺度信息系统中传统的最优尺度与熵最优尺度是等价的;在协调多尺度决策系统中,证明传统的最优尺度与熵最优尺度也是等价的.而在不协调多尺度决策系统中,传统的最优尺度与熵最优尺度不等价,进而引入广义决策熵最优尺度,并证明广义决策最优尺度与广义决策熵最优尺度是等价的.     

分层多尺度决策信息系统的序贯三支决策

传统信息系统中每个属性只有一个尺度,但随着海量数据的涌现,实际应用中经常是在多个尺度上处理和分析问题.三支决策是解决分类问题的一种经典方法,序贯三支决策是在三支决策的基础上进行多步决策的一种方法 .将多尺度决策信息系统与三支决策相结合,基于决策理论粗糙集提出分层多尺度决策信息系统的序贯三支决策模型,得到动态变化的正域、负域、边界域.对多尺度决策信息系统进行分层,依次在分层后得到的多个单尺度决策信息系统上进行讨论,构建尺度层面的序贯结构;在每个单尺度决策信息系统上,通过增加属性的方式得到属性子集序列,诱导出多级粒度结构,构建该尺度下粒度层面的序贯结构.为此,给出两种属性子集序列的选择方法;在序贯三支决策过程中,利用相对损失函数计算阈值,并讨论了阈值的性质;最后给出序贯三支决策过程中的分类规则,并用实例说明提出的模型能有效地处理分类问题.     

多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

多尺度单值中智系统中基于优势粗糙集模型的最优尺度选择与约简

单值中智集是处理不确定、不一致信息的有效工具,结合单值中智粗糙集和多尺度决策系统,提出基于优势关系的多尺度单值中智粗糙集模型的最优尺度选择和约简算法.首先,在构建基于优势关系的多尺度单值中智粗糙集模型时引入正理想点、负理想点和不确定点来刻画单值中智数大小关系;其次,结合证据理论中的信任函数和似然函数给出模型的最优尺度选择算法及约简算法;最后,利用五组UCI数据集对文中提出的模型与算法进行实例验证,分析算法的有效性.提出的算法在分类精度和算法效率两方面都有所提高,进一步扩展了单值中智粗糙集在多尺度决策系统下的应用,为后续该领域的研究提供参考.     

多粒度粗糙集数据分析研究的回顾与展望

粒计算是知识表示和数据挖掘的一个基本问题。粗糙集理论是知识获取的一个典型粒计算模型。在传统粗糙集数据分析中,信息系统中每一个对象在每一个属性上只能取唯一的值。在实际生活数据中,根据不同的粒度或者尺度,对象在同一属性上可以取不同粒度的值。该文介绍目前流行的三类基于粗糙集的多粒度数据处理模型,即多粒化粗糙集模型、多粒度邻域粗糙集模型、多尺度信息系统的粗糙集数据分析模型,回顾这三类多粒度粗糙集数据分析模型的研究进展及主要研究内容,并提出若干研究问题。     

多标记序决策系统中基于局部最优粒度的规则获取

多粒度是当前粒计算研究的一个重要方面.在实践中,人们往往选择比较合适的粒度层次来解决问题.作为信息系统的一种特殊情况,多粒度决策系统是经常使用数据表示形式.在这样的系统中,对象可以在属性的不同粒度层次上取不同的观测值.实际使用时,常常遇到在数据属性上需要比较大小,即属性带有序关系.序关系分析是多指标决策的重要内容,而粗糙集是一种处理序关系有效方法.围绕多标记序决策系统的知识获取问题来开展研究,首先,介绍了多标记序决策系统的概念;然后,在协调的多标记序决策系统中定义了最优粒度和局部最优粒度,并介绍了基于局部最优粒度的属性约简和规则获取方法;最后,在不协调的多标记序决策系统中引入了广义决策,定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则获取方法.     

图像多尺度几何分析综述

阐述了图像多尺度几何分析技术的国内外发展现状及趋势,并介绍了其在图像处理中的部分应用,探讨了图像多尺度几何分析方法存在的问题及进一步的研究方向,为多尺度几何分析技术的发展状况提供了清晰的轮廓.     

多尺度水资源脆弱性评价研究

水资源脆弱性与适应性研究是当前国内外水资源研究的热点之一.本文以陕西、山西为研究区,针对水资源供需矛盾问题,开展了多尺度下水资源脆弱性评价研究.与常见的水资源脆弱性评价不同,本文使用与空间尺度无关的评价指标和函数法评价方法,用于多个尺度的水资源脆弱性评价.初步研究表明,省级行政区尺度有助于把握区域总体水资源脆弱性特征;地级行政区尺度的空间分异比省级行政区明显,部分地级行政区可能对省级行政区评价结果有显著影响;水资源脆弱性大体由南向北升高,评价指标的变化趋势与水资源脆弱性的变化趋势一致;相同或相近的水资源脆弱性评价结果,可能由不同原因造成.根据评价结果,本研究从提高用水效率、实施用水总量控制、开发新水源和治理水污染等方面提出了相应的适应性对策.     

异形纤维的多尺度形状描述方法

为了实现异形纤维形态定量描述,对图形的几何特性及边界描述方法进行讨论,对图形的几何特征进行计算,并应用于异形纤维形态识别和黏连判断.在图像的闭合边界上顺序选择平均分布的三点作为顶点组成三角形,并计算三角形的面积.通过改变顶点间的分布(称为步长),计算对应三角形面积表示(TAR)值.三角形三条边的绕行方向决定了三角形面积值的正负.TARN和TARP分别表示TAR负值面积和正值面积,用于表征图形边界的凹凸特性.边沿上凹点的大小由TARN的长度测量,纤维的黏连度由不同步长的TARP或者TARN之间的关系检测.实验结果表明该方法能有效地自动识别异形纤维形态,并通过正常纤维以及黏连纤维的特征参数分布区间进行黏连判断.     

改进的小波均匀化多尺度算法

通过加入解的逐层修正过程完成了对常规小波多尺度方法的改进,并将改进后的方法应用于具有快速周期变化系数的一维椭圆型方程的数值求解。数值结果表明:与传统的有限差分法相比,改进的小波多尺度方法既保持了较高的计算精度,又大大减少了计算时间;与常规的小波多尺度方法相比,改进的小波多尺度方法则进一步提高了计算精度。     

一种考虑多尺度噪声的平滑去噪方法

针对在实际采集三维点数据模型中遇到多种尺度噪声的问题,提出了一种基于噪声分类组合滤波平滑去噪的方法。首先根据点模型中噪声的位置、密度和无用性等特点,将其分为伪噪声、大尺度噪声和小尺度噪声三类;分别使用直通滤波、半径滤波和统计滤波,以及移动最小二乘重采样(MLS)去除;同时考虑到点云冗余,将体素化网格滤波与移动最小二乘重采样相结合,实现重采样点模型的优化。实验结果表明:能够很好的解决地面三维激光扫描仪采集的点数据模型中存在多种尺度噪声的问题。从模型视觉效果上的漏洞修复、特征保持和光顺效果,以及实际变形度上看,方法优于直接使用MLS重采样和Laplace平滑去噪。     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

基于注意力机制的多尺度仪表检测

为实现复杂场景下多尺度仪表检测,提出了一种基于注意力机制的视频多尺度仪表检测算法。首先,利用基于空间注意力机制的特征提取网络,建模特征的长距离依赖,增强特征的表达能力;其次,提出了一种自适应特征选择模块（Adaptive Feature Selection Module, AFSM）,对不同阶段的特征图进行权重调整,增强网络对多尺度目标的检测能力。在自建的仪表数据集上进行了实验。实验结果表明,相比较原来的Faster RCNN方法,所提出方法的检测精度提高了7.6%;与对比方法相比,检测精度也能达到95.4%。在对实际仪表监测视频的测试中,检测结果以及速度能够满足实际需要。所提方法通过改进特征提取网络和特征选择操作,增强了特征表达能力,有效降低了虚警,提升了网络对多尺度目标的检测性能。     

基于多尺度的增强ViBe背景建模

提出一种基于多尺度的增强ViBe背景建模方法 mViBe.通过多尺度模型,将像素点的颜色信息与其空间位置信息相结合并通过多尺度判别,有效地降低对背景像素的误判.利用基于多重先验概率对多尺度模型进行层次化更新,提高了在多模态背景、摄像头抖动及光照变化等复杂场景条件下背景模型的鲁棒性.实验结果表明:提出的mViBe算法相比ViBe算法及其他代表性算法具有更优的检测性能,同时保持很好的实时性.     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法。首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘。通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法。     

基于多尺度注意力的皮肤镜图像自动分割算法

针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。本文提出了一种基于多尺度注意力融合的分割网络MAU-Net(Multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过本文设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给与一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。本文提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。