目錄
前言
第1章 緒論 1
1.1 大數(shù)據(jù)及其挖掘技術(shù) 1
1.2 粒計算理論 2
1.3深度學習技術(shù) 3
1.4 基于粒計算的圖像處理技術(shù) 7
參考文獻 8
第2章 粒計算模型與算法 12
2.1 粒計算模型 12
2.1.1 粗糙集模型 12
2.1.2 模糊集理論 13
2.1.3 粒球模型 13
2.1.4 三支決策 15
2.2 面向復(fù)雜數(shù)據(jù)的擴展粗糙集模型 17
2.2.1 鄰域粗糙集模型 17
2.2.2 決策粗糙集模型 18
2.2.3 鄰域決策粗糙集模型 18
2.2.4 局部鄰域決策粗糙集模型 19
2.3 基于鄰域粗糙集的屬性約簡算法 20
2.3.1 基于鄰域依賴度的屬性約簡算法 20
2.3.2 基于鄰域熵的屬性約簡算法 21
2.3.3 基于鄰域決策錯誤率的屬性約簡算法 23
參考文獻 24
第3章 基于粗糙集和三支決策的U-Net模型及應(yīng)用 26
3.1 深度學習理論 26
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的基本模塊 26
3.1.2 常用損失函數(shù) 28
3.1.3 隨機梯度下降算法 29
3.2 注意力機制 30
3.2.1 空間注意力機制 30
3.2.2 通道注意力機制 31
3.3 基于粗糙集的U-Net模型 32
3.3.1 粗糙神經(jīng)元 32
3.3.2 粗糙通道注意力機制 33
3.3.3 基于粗糙通道注意力機制的U-Net模型 35
3.4 基于三支決策算法的U-Net模型 37
3.4.1 腐蝕算子和膨脹算子 39
3.4.2 不確定性描述 39
3.4.3 三支損失函數(shù) 42
3.4.4 基于三支損失函數(shù)的U-Net模型 43
3.5 視網(wǎng)膜血管圖像分割應(yīng)用 45
3.5.1 數(shù)據(jù)集介紹 45
3.5.2 圖像預(yù)處理 47
3.5.3 分割評價指標 48
3.5.4 基于粗糙通道注意力的U-Net視網(wǎng)膜血管分割 50
3.5.5 基于三支損失函數(shù)的U-Net視網(wǎng)膜血管分割 59
參考文獻 65
第4章 基于進化算法的聚類粒計算眼底圖像建模方法 67
4.1 眼底圖像研究背景和現(xiàn)狀 67
4.2 多種群遺傳算法 70
4.3 超像素算法 71
4.4 基于衍生多種群遺傳進化的FCM算法 73
4.4.1 模糊C均值聚類算法 73
4.4.2 衍生多種群遺傳算法 75
4.4.3 基于衍生多種群遺傳進化的DFCM算法 77
4.5 基于Spark平臺的超像素DFCM加速聚類算法 79
4.5.1 超像素加速聚類算法 79
4.5.2 基于Spark平臺的加速算法 81
4.6 眼底圖像聚類實驗分析 86
4.6.1 基于DFCM算法的眼底圖像實驗分析 86
4.6.2 基于加速聚類算法的眼底圖像處理實驗分析 92
參考文獻 95
第5章 基于粒計算的高效特征選擇方法 98
5.1 稀疏雙向粒度模型 100
5.1.1 稀疏約束粒度模型 100
5.1.2 雙向信息策略的應(yīng)用 100
5.2 基于稀疏雙向粒度的啟發(fā)式特征選擇算法 101
5.2.1 稀疏雙向粗糙集模型 101
5.2.2 非單調(diào)啟發(fā)式特征選擇算法 101
5.3 屬性樹的構(gòu)造及約簡算法 104
5.3.1 原始數(shù)據(jù)并行預(yù)處理算法 106
5.3.2 基于屬性樹的增量式屬性約簡算法 107
5.3.3 并行化增量式動態(tài)屬性約簡算法 111
5.4 算法驗證與分析 112
5.4.1 基于稀疏雙向粒度模型實驗結(jié)果與分析 112
5.4.2 基于屬性樹的并行化增量式動態(tài)特征選擇算法實驗結(jié)果與分析 116
參考文獻 122
第6章 基于鄰域的大數(shù)據(jù)證據(jù)分類算法 126
6.1 Dempster-Shafer 證據(jù)理論 126
6.1.1 D-S證據(jù)理論的基本概念 126
6.1.2 D-S組合規(guī)則 127
6.2 融合證據(jù)信息的鄰域決策分類算法 127
6.2.1 證據(jù)信息的融合算法 127
6.2.2 基于鄰域證據(jù)決策錯誤率的屬性約簡算法 129
6.2.3 證據(jù)鄰域分類算法 131
6.3 基于粗糙證據(jù)組合的粒球模型及其鄰域分類算法 132
6.3.1 基于粗糙證據(jù)組合的粒球計算模型 132
6.3.2 基于粗糙證據(jù)粒球的屬性約簡算法 135
6.3.3 粗糙證據(jù)粒球鄰域分類算法 137
6.4 基于Spark的大數(shù)據(jù)并行鄰域分類算法及實現(xiàn) 139
6.4.1 大數(shù)據(jù)框架介紹 139
6.4.2 屬性約簡算法的并行化分析 142
6.4.3 鄰域分類算法的并行化分析 145
6.4.4 基于粗糙證據(jù)粒球的Spark并行屬性約簡算法 145
6.4.5 Spark并行化的粗糙證據(jù)粒球鄰域分類算法 147
6.5 算法驗證與分析 150
6.5.1 基于鄰域證據(jù)算法實驗結(jié)果與分析 151
6.5.2 基于粗糙證據(jù)粒球算法實驗結(jié)果與分析 159
6.5.3 并行化算法實驗結(jié)果與分析 166
6.5.4 大規(guī)模數(shù)據(jù)集相關(guān)指標比較 168
參考文獻 171
第7章 基于模糊融合的Transformer-CNN不確定性醫(yī)學圖像分割模型 173
7.1 基礎(chǔ)知識 175
7.1.1 CNN與Transformer 175
7.1.2 特征融合 176
7.1.3 模糊測度和模糊積分 177
7.2 FTransCNN模型 177
7.2.1 Transformer 分支 178
7.2.2 CNN 分支 179
7.2.3 模糊融合模塊 179
7.2.4 模糊注意力融合模塊 181
7.2.5 損失函數(shù) 182
7.3 實驗結(jié)果與分析 183
7.3.1 實驗設(shè)置 184
7.3.2 實驗評估指標 184
7.3.3 針對不同數(shù)據(jù)集的實驗結(jié)果與分析 185
7.3.4 消融實驗 189
參考文獻 190
第8章 MGRW-Transformer：多粒度隨機游走可解釋性Transformer模型 193
8.1 基礎(chǔ)知識 193
8.1.1 梯度反向傳播法 193
8.1.2 顯著性映射法 194
8.1.3 擾動遮擋法 195
8.1.4 注意力法 195
8.2 多粒度隨機游走可解釋性Transformer模型 195
8.2.1 Transformer分類熱圖可視化 196
8.2.2 多粒度隨機游走 199
8.3 可解釋性實驗分析 204
8.3.1 實驗數(shù)據(jù)集 205
8.3.2 實驗評估指標 205
8.3.3 實驗結(jié)果與分析 206
參考文獻 213
彩圖