改進的pso優(yōu)化elm算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究

《改進的pso優(yōu)化elm算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、￣＾代碼１０６０３Ｉ學(xué)號２０１３０３５４＾級公開ＵＤＣ禱為＆辭Ｅｆ?zhèn)ィ荆崳姡牵眨粒危牵兀桑牐裕牛粒茫龋牛遥樱牐牛模眨茫粒裕桑希危牐眨危桑郑牛遥樱桑裕伲崳姶T古學(xué)位論文改迸的ＰＳＯ優(yōu)化ＥＬＭ算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究ＡｐｐｌｉｃａｔｉｏｎｏｆＩｍｐｒｏｖｅｄＰＳＯＯｐｔｉｍｉｚｅｄＥＬＭＡｌｇｏｒｉｔｈｍｉｎＭｅｄｉｃａｌＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ學(xué)科專業(yè)；計算機科學(xué)與技術(shù)專業(yè)方向；大數(shù)據(jù)與數(shù)據(jù)挖掘二級學(xué)驗：

2、計算機與信息工程學(xué)院年級：２０１３級研究生姓名：曾巧巧導(dǎo)師娃名及職稱；寒偉志教授完成日期；２０１６年６月ｉI摘要由于醫(yī)學(xué)圖像背景復(fù)雜、信噪比低和無統(tǒng)一的衡量標準等問題導(dǎo)致醫(yī)學(xué)圖像分割問題一直是一個難點。如何選取一種分類準確性高且時間開銷小的算法分割醫(yī)學(xué)圖像是一個值得思考的問題。粒子群算法作為一種隨機搜索算法，具有收斂速度快，隨機搜索能力強的優(yōu)點，但是不適合用來解決復(fù)雜的多維映射問題。神經(jīng)網(wǎng)絡(luò)作為一種復(fù)雜網(wǎng)絡(luò)模型能夠處理各類復(fù)雜的數(shù)學(xué)映射問題，且具有不錯的泛化性能，但算法的

3、效率不高，且具有過擬合的問題。在以上思想的背景下，本文的主要研究內(nèi)容如下：1.基本粒子群算法具有易于實現(xiàn)和搜索效率高的優(yōu)點，但是同時也存在容易陷入局部最優(yōu)的問題，本文通過分析基本PSO易陷入局部最優(yōu)的原因，采取以粒子群體個體極值和全局極值隨迭代過程中停止變化的步數(shù)（T0和Tg）作為依據(jù)對個體極值和全局極值進行多梯度隨機擾動調(diào)節(jié)的方法（RPSO）增加算法隨機搜索性能和擴展搜索空間能力，并通過優(yōu)化復(fù)雜多維函數(shù)實驗說明改進后算法的尋優(yōu)性能和效率。2.本文介紹了極限學(xué)習(xí)機算法（ELM）基本思想，說明EL

4、M訓(xùn)練和分類的原理，同時分析了ELM具有的學(xué)習(xí)速度快和網(wǎng)絡(luò)映射復(fù)雜問題能力強的優(yōu)點，然后通過綜合RPSO和ELM各自的優(yōu)點提出了RPSO-ELM算法。RPSO-ELM算法利用RPSO良好的多維空間隨機搜索能力對ELM模型的輸入權(quán)重?和隱藏層偏置b進行尋優(yōu)，以建立最ii優(yōu)ELM模型提高ELM的泛化和分類性能。3.本文通過預(yù)處理和特征提取等操作創(chuàng)建樣本集，然后將樣本集輸入RPSO-ELM進行分類實驗，獲取分類結(jié)果后經(jīng)過一系列形態(tài)學(xué)處理，返回算法勾畫輪廓的圖像，并通過真陽性、背景正確識別率和背景錯誤識

5、別率指標將其與金標準結(jié)果和基本ELM進行對比說明RPSO-ELM應(yīng)用于醫(yī)學(xué)圖像分割具有實用價值。關(guān)鍵詞：粒子群算法；極限學(xué)習(xí)機算法；極值自適應(yīng)調(diào)節(jié)；脊髓分割I(lǐng)ABSTRCTMedicalimagesegmentationhasbeenadifficultproblembecauseofthecomplexbackground,lowSNRandnouniformstandard.Howtoselectanalgorithmwithhighclassificationaccuracyandlowt

6、imecosttosegmentmedicalimagesisaquestionworthyofconsideration.Asarandomsearchalgorithm,Particleswarmoptimizationalgorithmhastheadvantagesoffastconvergencespeed,strongrandomsearchcapability,butitisnotsuitableforsolvingcomplexmulti-dimensionalmappingpr

7、oblem.Neuralnetwork,asacomplexnetworkmodel,candealwithallkindsofcomplexmathematicalmappingproblems,andhasagoodgeneralizationperformance,butthealgorithmisnotefficient,andhastheproblemofoverfitting.Inthecontextoftheabovethought,themainideasofthispapera

8、reasfollows:1.Thebasicparticleswarmoptimizationalgorithmhastheadvantagesofalgorithmeasytoimplementandhighsearchefficiency,buttherearealsosomeproblemswhichareeasytofallintolocaloptimum.Inthispaper,throughtheanalysisofbasicPSOiseasytofallintolocaloptim