序区间值决策系统中的最优可信规则获取

以包灰色含区间值的序值决策系统为研究对象,针对区间值之间不能直接比较的问题,引入灰色系统理论中的白化方法以构建一个新的序白化值决策系统,并讨论了其在优势和弱势关系下的可信规则获取.深入研究了优势和弱势对象的约简以及其决策类的相对约简问题,其中可信规则的约简是保持该可信规则的支持集中的元素不发生变化的最小数量属性的合取.给出相应的判定定理与区分函数,并进行了实例分析.所构建的决策系统为最终从序区间值决策系统中获取最优可信决策规则提供了新的理论基础与操作手段.     

基于环形分割的医学图像检索

针对医学图像全局特征检索不能很好地体现局部特征,而基于分割后各区域特征的检索又过分依赖于复杂的图像分割算法,提出了环形划分图像的分割方法.在基于环形分割的条件下,分别提取医学图像的颜色和纹理等内容特征,并在此基础上,实现医学图像检索.试验表明,基于环形分割的医学图像检索能够较好地体现图像所记录的颜色空间信息,而且具有旋转偏移不变性的特点,大大提高了医学图像检索的正确率与查全率.     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

基于分类树的高效关联规则挖掘算法

在分析类Apriori算法存在效率瓶颈的基础上，提出了一个高效改进算法——基于分类树的关联规则挖掘算法．该算法只需要两次访问数据库，把数据库中的数据利用分类树来存储，减少了访问数据库的次数；并且由分类树的全部或部分来求得频繁项目集，减少了求频繁项目集的比较次数．此算法通过结合Apriori和FP—tree两种算法来提高挖掘效率，降低了挖掘算法的时间复杂度和空间复杂度．通过多次试验证明该算法比Apriori及其改良算法的挖掘效率高2到8倍．     

基于频繁模式树的关联分类规则挖掘算法

构建精确而有效的分类器是数据挖掘和机器学习中的一个重要任务．提出了一种基于频繁模式树的关联分类规则挖掘算法,该算法同时考虑所有属性,并对现有关联分类规则挖掘算法中内存要求高、类别属性处理难、I／O访问次数多等问题提出了相应的解决方案．试验结果表明,该方法可以取得比同样基于关联规则的分类算法CMAR更高的执行效率以及基于规则的决策树分类算法C4．5更好的分类效果．