基于鄰域關(guān)系模糊粗糙集的分類方法研究與應(yīng)用.pdf

1、在數(shù)據(jù)挖掘、模式識(shí)別、機(jī)器學(xué)習(xí)等研究過(guò)程中，特征選擇能夠選擇出代表整個(gè)數(shù)據(jù)集信息的子集。與處理完整的數(shù)據(jù)集相比，使用特征選擇方法可以節(jié)省處理時(shí)間、提升效率。由于粗糙集理論能夠處理原始數(shù)據(jù)集中的不精確、不確定以及模糊性信息，基于粗糙集的特征選擇方法已經(jīng)成為近年來(lái)研究的熱點(diǎn)。
　　本文主要在鄰域粗糙集、模糊粗糙集以及特征選擇和并行數(shù)據(jù)挖掘架構(gòu)等理論與應(yīng)用方面做了研究，提出鄰域關(guān)系模糊粗糙集以及其特征選擇算法；研究了鄰域關(guān)系模糊粗糙集特

2、征選擇算法在醫(yī)學(xué)圖像分類中的應(yīng)用；最后以鄰域關(guān)系模糊粗糙集特征選擇方法為基礎(chǔ)，利用計(jì)算統(tǒng)一設(shè)備架構(gòu)實(shí)現(xiàn)了乳腺X光圖像的并行化特征選擇。論文主要研究?jī)?nèi)容如下：
　　(1)提出鄰域關(guān)系模糊粗糙集模型以及相關(guān)理論方法。為探索粗糙集的泛化模型在模糊環(huán)境中的拓展，同時(shí)得出更加緊湊的分類模型，提升分類精度，減少處理數(shù)據(jù)的成本，文章提出了鄰域關(guān)系模糊粗糙集(NR-FRS)模型以及其特征選擇算法。該模型引入模糊化鄰域關(guān)系來(lái)構(gòu)造鄰域關(guān)系模糊粗糙集的

3、上、下近似，同時(shí)給出了模型在模糊化鄰域近似空間的推理證明；其次，分析了模糊化鄰域近似空間中特征子空間上的依賴性，并給出了模糊化鄰域近似空間上正域和屬性依賴度的定義；最后在UCI數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，同鄰域粗糙集特征選擇算法相比，文章所提算法獲得的屬性數(shù)量隨參數(shù)變化更加穩(wěn)定，且平均分類準(zhǔn)確率最好情況下提升了5.2％。
　　(2)將鄰域關(guān)系模糊粗糙集特征選擇方法應(yīng)用于乳腺X光圖像的分類中。為了拓展文章所提出的鄰域關(guān)系模糊粗糙集特征選擇算

4、法在實(shí)際數(shù)據(jù)集分類中的應(yīng)用，將NR-FRS特征選擇算法應(yīng)用于乳腺X光圖像特征數(shù)據(jù)集的分類中。數(shù)據(jù)集來(lái)源于乳腺X光圖像標(biāo)準(zhǔn)數(shù)據(jù)集MIAS(Mammography Image Analysis Society)，首先對(duì)初始圖像進(jìn)行預(yù)處理并提取紋理特征從而構(gòu)造特征數(shù)據(jù)集，然后應(yīng)用NR-FRS特征選擇算法進(jìn)行特征選擇并輸入給徑向基核函數(shù)支持向量機(jī)，實(shí)驗(yàn)結(jié)果表明NR-FRS特征選擇算法獲得了最高82.16%的分類準(zhǔn)確率，同基于鄰域粗糙集的前向?qū)傩?/p>

5、選擇算法以及核主成分分析算法相比較提高了21.1%和27.2%。
　　(3)計(jì)算統(tǒng)一設(shè)備架構(gòu)下乳腺X光圖像數(shù)據(jù)集并行化特征選擇算法的實(shí)現(xiàn)。通過(guò)對(duì)乳腺X光圖像特征數(shù)據(jù)集進(jìn)行特征選擇、分類的研究發(fā)現(xiàn)，其中存在一定程度的計(jì)算密集型任務(wù)。因而本文在大規(guī)模醫(yī)學(xué)圖像數(shù)據(jù)集上進(jìn)行并行數(shù)據(jù)挖掘。文章采用基于計(jì)算統(tǒng)一設(shè)備架構(gòu)(CUDA)的并行思想處理醫(yī)學(xué)圖像的特征選擇問(wèn)題，從數(shù)據(jù)標(biāo)準(zhǔn)化和鄰域粒子計(jì)算過(guò)程兩點(diǎn)對(duì)特征選擇進(jìn)行了并行化，并對(duì)比了不同處理器