一、基于Rough Set的CLS算法研究（论文文献综述）
蔡院强[1]（2021）在《图像与视频中文字与特定对象检测算法研究》文中认为随着科技的发展,各种智能拍摄终端不断得到普及,对应的拍摄方式和内容形式也越来越多元化。通过这些设备记录的信息大多是以图像和视频的形式存在。图像和视频中的文字及核心对象有助于相关信息的有效检索和理解,因此研究者们对其进行精确定位是有意义。本文概述了图像与视频中文字与特定对象的检测问题的研究现状,并以此为基础利用先进的深度学习方法围绕当前存在的一些难点和痛点问题进行了深入研究。论文的主要贡献如下所示:1、针对文字对象的相对尺度差异大、长宽比例悬殊及相邻文字难分割的问题,本文提出了一种基于由内向外监督网络的场景文字检测方法。具体来说,本文设计了一个分层监督模块,它由一个并行非对称卷积单元和一个跳层融合结构组成。在分层监督模块内部,本文引入了层次化的监督机制来有效地捕获具有不同长宽比的文字。在分层监督模块外部,本文采用不同尺度的分层监督模块堆叠的方式来精确地检测不同大小的文字对象。此外,本文还采用位置敏感的分割方法来增强难文字对象的表达和相邻文字对象的区分。2、针对文字对象的多尺度匹配和相关数据集缺乏的问题,本文提出了一种基于尺度残差学习网络的场景文字检测算法来逐步缓解文字尺度变化带来的问题。该算法可以通过消减特征融合残差和尺度转换残差的方式来缩小算法的输出结果和真实标注框之间的差异。通过在深度卷积网络上堆叠多尺度特征图层,该算法可以利用尺度残差学习策略来累积文字语义信息和纹理细节,进而优化文字目标的特征表达。此外,本文建立了一个大规模场景文字检测数据集,它包含具有复杂场景的36,000张图片和具有不同尺度的270,783个文字对象,推动了自然场景文字研究。3、针对视频文字的不同呈现形式的问题,本文提出了一种基于时域一致性表达网络的视频文字检测算法,它能同时检测视频中所有类型的文字对象。该算法由一个空间文字检测器和一个时域融合过滤器组成。首先,本文探讨了三种不同的学习策略来训练基于卷积神经网络的空间文字检测方法,使该检测方法能够在不知道文字类型的情况下同时检测出各种文字对象。然后,本文提出了一种面积优先的非极大值抑制方法,并结合多个约束条件去除冗余包围框。最后,本文提出的时域融合过滤器利用文字对象的空间位置和成分特征,并融合连续帧的检测结果,进一步去除错误的检测框。4、针对视频文字的时空域检测的问题,本文提出了一种基于采样分治网络的时空域视频文字检测算法,提高了检测效率和性能。具体来说,该算法是由一个采样恢复模型和一个分治模型组成的。采样恢复模型可以利用文字对象在时域序列中的时间冗余特性来提高视频文字的检测效率。分治模型可以在时空域同时定位文字对象。此外,本文构建了一个极具挑战的视频叠加文字数据集,它包含57,070个视频帧,并且这些视频帧拥有真实的时空域标注信息。5、针对航拍场景中小目标和复杂背景的问题,本文提出了一种基于引导注意力网络的航拍场景对象检测计数算法。与已有的依赖无监督注意力机制的方法不同,本文提出一个弱监督背景注意力模块,它可以有效地抑制背景信息并且增强前景目标的特征表达。为了让网络能够同时学习到目标的全局和局部信息,本文提出了一个前景注意力模块来准确地定位目标。此外,本文也设计了一种针对航拍场景的数据增强策略,它可以使算法对不同天气条件更加鲁棒。6、针对零售场景内同一类别商品对象严重遮挡的问题,本文提出了一个新的对象级别的检测计数任务以及一种基于级联检测计数网络的零售场景对象检测计数算法。该任务要求算法同时预测出商品对象的类别、包围框、以及包围框内的实例个数。然而,当前没有一个数据集可以满足该任务,因此本文构建了一个大规模的商品对象的检测计数数据集。为了评价算法在此数据集上的性能优劣,本文设计了一个综合检测计数的评价标准。为了方便不同算法进行公平对比和评估,本文将此数据集划分为训练集和测试集,为研究者们提供一个目标检测计数任务的基准数据集。此外,本文提出了一个级联的检测计数网络作为基准算法,该算法可以采用端到端的方式进行多任务训练,并可以同时预测出商品对象的类别、包围框、以及包围框的实例个数。
张园林[2]（2020）在《基于高分遥感影像的深度学习目标检测方法研究》文中研究指明随着我国高分辨率成像技术的发展,高分遥感影像获取难度大幅降低,空间分辨率大幅提高,带来了海量的、内容繁杂的高分遥感影像。基于传统手工特征的算法难以快速、自动化地有效应对这种繁杂的图像特征。近年来兴起的深度学习算法,可以自适应地学习、应对这些繁杂的特征并取得优异的表现。因此,深度学习被广泛应用于各种图像处理领域,如场景分类、目标检测、语义分割。其中,目标检测任务旨在从输入图像中确定目标的位置和类别,被广泛应用于军事、民生、经济等多个领域,具有重大的研究意义。然而,由于多种原因,深度学习在遥感影像目标检测中受到了限制:1)目标存在旋转、缩放等空间形变;2)包含大量难检测的小目标;3)内容繁杂、易混淆;4)区域提案粗糙。因此,如何根据高分遥感影像自身的这些特点和问题,提出针对高分遥感影像的深度学习目标检测系统,是高分遥感目标检测研究的关键。本论文从深度学习目标检测系统出发,针对高分遥感影像中的目标空间形变、小目标较多、目标易混淆、区域提案粗糙等特点,研究了系统中的不同问题:1)特征提取,2)目标定位,3)目标识别,4)定位识别耦合,从而实现深度学习目标检测系统在高分遥感影像分析领域中的拓展与提高。（1）对于检测系统的特征提取问题,本文针对高分遥感影像中目标的旋转、缩放等空间形变的特点,提出结合全连接特征的对于空间形变更加鲁棒、有利于目标识别的优势,以及卷积特征的层级空间语义信息对目标定位的优势,融合两种特征,搭建一个层级鲁棒卷积神经网络用于增强特征提取,有效地提升特征对于图像内容的表达能力。此外,建立了一个大型的、13类的、类间样本量均衡的高分遥感目标检测数据集,用于深度学习目标检测模型的训练。（2）对于检测系统的目标定位问题,本文针对高分遥感影像中含有大量难以检测的小目标的特点,提出通过将卷积特征图向横纵坐标轴上映射,将目标边界框的横、纵坐标分开预测,以避免横、纵坐标预测相互干扰;利用全连接特征引导上述卷积特征,全局语义信息指导局部特征的通道注意力机制,弥补卷积特征中语义信息的不足。根据以上两个模块的有机结合,搭建了一个门控轴聚定位网络,能够有效地提升检测系统在目标定位上的表现。（3）对于检测系统的目标识别问题,本文针对高分遥感影像中存在大量易混淆的视觉细粒度类别的特点,提出利用属性任务与分类任务之间的协同学习,为分类（识别）任务提供更丰富的信息,增加对难区分的视觉细粒度类别的判别能力;建立分类任务和辅助任务之间的关系学习分支,进一步增强两种任务之间的信息共享以及增强分类分支的判别能力。综合上述思想,搭建了一个属性协作卷积神经网络,能够有效地降低识别的错误率。（4）对于检测系统的定位识别耦合问题,本文针对高分遥感影像目标候选框粗糙引起的耦合误差传递问题,提出一种具有新型分类识别耦合方式的网络头,适合输入粗糙提案的情况下使用;而具有传统耦合方式的网络头在精细输入提案的情况下,能够获得更加高效的表现。因此,本文通过对两种耦合方式的网络头进行研究,配合提案由粗到精地变化趋势,提出两种网络头的提案一致网络头协作机制,充分发挥两种不同耦合方式网络头各自的优势,使其优势互补。根据以上研究内容,提出一个一致多阶段检测网络框架。
林芷欣[3]（2020）在《基于邻域粗糙集的属性约简算法研究及应用》文中进行了进一步梳理粗糙集理论是一种数据信息的处理工具,能帮助我们从海量数据中高效的挖掘、获取出我们所需要的信息,在许多领域都得到广泛应用。但是经典的粗糙集理论模型只适合处理离散型数据,而在用其处理连续型数据时,需要先对数据离散化,这样容易导致某些数据信息的丢失。为此邻域粗糙集模型通过引入了邻域粒化和度量空间的概念,将粗糙集理论的等价关系转化为邻域空间上对信息粒子的覆盖关系,可直接处理连续型数据,避免了原粗糙集处理连续属性带来的信息丢失问题,扩大模型的适用范围。同时,由于邻域粗糙集模型引入了邻域粒化的计算,导致整体算法效率下降。本文主要是在现有邻域粗糙集属性约简模型的基础上,针对发现的问题,对其进行改进,并通过实验加以验证。另外,本文将改进的算法应用到改进的C4.5决策树分类器模型中,对其进行深入研究。本文主要工作如下:（1）对现有邻域粗糙集属性约简算法进行分析,针对现有算法中通过依赖度函数判断属性重要度来进行属性约简时,存在重复冗余计算,导致算法复杂度高、计算量大。本文重新定义了属性重要度的求解方法,降低了算法计算的复杂性。同时,为了减少属性间的相关性对最终结果的影响,引入相关系数的有关知识,进一步筛检属性。最终提出一种适用于二分类问题的属性约简算法。通过与其他算法的实验对比,验证了本文算法可降低属性约简的复杂度,提高运行效率。（2）现实中除了二分类问题,还有许多多分类问题。为了克服上述算法的局限性,本文结合Relief算法,提出适用于多分类情况下的属性重要度加权函数,并将其应用到邻域粗糙集属性约简的模型当中。最终提出基于Relief算法的邻域粗糙集快速属性约简算法。并通过实验验证算法是有效可行的。（3）分析了C4.5决策树分类算法,对其中存在的问题进行相应改进。将本文改进的属性重要度算法作为C4.5算法中分裂节点的选择标准,同时基于Fayyad的边界点判定定理,优化连续属性分割阈值的选择方法,减少阈值选择时对数据集的遍历次数,构建出一种同时适用于离散型和连续型数据的分类器模型,并通过实验证明了该模型对提高决策树分类精度和决策树生成效率是有效的。
陈宇[4]（2020）在《无监督跨域目标识别优化算法研究》文中提出随着人工智能与机器视觉技术的快速发展,多场景、跨域交叉应用成为智能化目标识别算法发展的新趋势。由于应用场景的多样性,难以为每一个全新的场景采集并标注足量的训练样本,甚至在很多情况下,新场景中的样本完全没有标签,即所谓的“无监督”条件。这要求目标识别算法能够复用已有的标签样本和新场景下的无标签样本对识别模型进行无监督训练,使其能够有效地推广到新的应用领域,实现跨域目标识别。目前,以概率分布建模为基础的概率分布适配技术是解决跨域目标识别的主要方法。然而,在无监督条件下存在标签信息缺失、样本数量不足等问题,导致现有方法不能很好地建立数据的分布模型,降低了算法的跨域识别性能和泛化能力。本文围绕上述问题展开研究,重点解决因样本标签信息不完备而导致的识别模型泛化能力不强及识别性能不佳的问题,改善当前目标识别算法的应用领域局限性,进一步优化算法的通用性和推广能力。本文的主要工作如下:由于无监督条件下样本的标签信息完全缺失,不能准确建立样本的条件概率分布模型,导致基于概率分布适配的传统跨域识别算法无法有效实施。本文首先研究无监督条件下的概率分布建模方法,利用标签分布的先验信息和伪标签预测算法,更为准确地建立数据的条件概率模型。在此基础上,研究数据分布差异的修正与适配技术,提出一种基于联合分布适配的跨域目标识别算法,并基于PAC学习理论研究了算法的跨域泛化能力和误差边界。由于该算法能够建立更加准确的数据条件分布模型,实现了样本条件分布差异与边缘分布差异的联合修正,因而具有更好的跨域识别性能。实验结果证明了该算法在无监条件下的有效性。当样本数据存在噪声时,会由于数据分布建模偏差引起识别率下降,因此本文研究了噪声条件下的跨域目标识别问题。结合概率分布适配与参数正则化理论,推导出噪声条件下识别模型在不同数据域中所满足的参数相似性约束,研究基于该约束的数据分布建模方法。在此基础上,采用矩阵正交分解理论和深度学习技术,建立了噪声条件下基于参数相似性约束的跨域目标识别优化算法模型。相比于已有算法,该算法从模型参数的角度间接地建立数据分布模型,不需要目标域样本的标签信息,能够在无监督条件下更有效地降低样本噪声对数据分布建模的影响,提高了算法的识别准确率。实验表明,算法在噪声条件下的跨域识别性能优于传统方法。当数据域中的样本数量十分稀少时,很难有效地提取目标特征并建立相应的数据分布模型,上述基于概率分布适配的跨域目标识别算法不再适用。对此,本文研究了少样本条件下的目标特征提取方法,利用属性学习技术对样本数量依赖较小的特点,从少量样本中高效地提取出目标的颜色、形状等人为定义的语义属性,作为目标特征的有效表示。在此基础上,利用有向图模型来表征属性特征之间的语义关系,研究基于特征关系的数据建模方法,解决少样本条件下的数据建模问题,进而实现少样本跨域目标识别。由于本文算法采用生成对抗网络实现了对样本视觉特征和属性特征的同时提取,并通过深度图网络对样本的属性和视觉特征进行联合建模,增强了算法的分布建模能力,因而具有更好的跨域识别性能。实验结果证明了该算法在少样本条件下的优越性。在实际应用中,使用多个数据源的样本会提供更加丰富的信息,进一步提高算法的跨域识别准确率,因此本文研究了多数据源条件下跨域目标识别算法模型的建立问题,并应用于飞行目标识别。对飞行目标识别中的多源分布适配问题进行了分析,采用多分枝生成对抗神经网络,对大样本条件下的单源分布适配算法进行了拓展,提出一种多源选择分布适配算法（MSDA）,实现对多个数据域概率分布的一体化适配。在此基础上,为了进一步提升算法的实时性与可行性,研究了基于多核异构处理平台的算法加速技术,对基于MSDA的飞行目标识别算法进行了优化设计。最终通过仿真实验验证了算法对解决飞行目标识别问题的有效性与实用性。
张永强[5]（2020）在《基于深度卷积神经网络的真实场景物体检测算法研究》文中认为物体检测技术旨在识别并定位图像中的物体,是机器视觉领域中的一个核心研究问题,同时也是人工智能的一个重要组成部分,一直是学术界和工业界的重点研究课题之一。虽然经过了几十年的发展,目前的物体检测算法大多仅是在实验室摆拍图像上的检测效果表现良好,但是在复杂世界的真实场景中,需要依赖有标注信息的图像来训练一个物体检测网络,其检测效果远远不能令人满意。同时,对于真实场景下的小物体（面积小于32*32像素）检测问题,尚处于对特定问题设计特定算法的阶段,对真实场景下复杂多变的工作环境的自适应能力较差。针对上述问题,本文围绕稀缺/稀疏训练数据驱动下的物体检测算法、小物体特征提取方法以及小物体检测算法框架等方面展开研究,对如何提高物体检测算法对环境的自适应能力、灵活性以及如何提高物体检测的准确性提出了新的方法和建议,对物体检测技术从实验室到实际应用起到了一定的推动作用。本文的主要研究内容概括如下:（1）针对已有基于深度卷积神经网络的物体检测算法都依赖大型数据集训练检测网络的问题,而构建大型数据集是一个费时耗力的巨型工程,提出了一种基于伪真值搜寻法的弱监督物体检测算法。其中,针对现存相关算法存在的定位不准确、检测精度低的问题,提出了一种从弱监督到全监督的物体检测架构,其中伪真值搜索（PGE）算法可以为每个物体产生一个较为准确的伪真值边界框。同时,还提出了伪真值自适应（PGA）算法来进一步优化PGE所产生的伪真值。最后,利用产生的准确的伪真值训练一个物体检测网络,来实现真实场景的物体检测任务。实验结果表明,本文提出的算法可以克服实际应用中训练数据稀缺的问题,同当前先进算法相比可以大幅地提高物体检测的准确率。（2）针对弱监督物体检测算法与全监督物体检测算法相比存在检测效果较差的问题,提出了一种基于增量式学习法的丢失标签物体检测算法。首先,研究了训练图像中丢失标签对于一般物体检测算法的影响,在此基础上,对在有限的人力物力下如何构建一个大型的数据集给出了具体方案。其次,通过引入人为标注小部分训练数据的方法来提升弱监督物体检测的准确率,且把此任务看成一个丢失标签的物体检测问题。然后,利用所提出的增量式学习框架为丢失标签的物体由粗略到精确逐步地找到一个位置标签,进而结合少部分人为标注的位置标签来训练一个物体检测网络。实验结果表明,本文提出的算法可以利用小部分的标注信息就可以达到较高的物体检测准确率,缩小了与全监督型物体检测算法之间的差距,解决了稀疏数据驱动下的物体检测问题。（3）针对目前的卷积神经网络对小物体特征提取困难的问题,提出了一种新的基于多通道高分辨率特征提取法的真实场景多尺度物体检测算法。该算法中所设计的并行卷积层结构可以提取小物体的高分辨率深度特征,其中包含了可以表达小物体各种特性的细节信息特征,克服了现存算法利用浅层特征来实现小物体检测中存在的低语义信息问题。为了进一步地实现多尺度物体检测任务,提出了一种层级间特征融合方法,通过将富含细节信息的高分辨率特征与具有强语义信息的低分辨率特征相融合的方式来构建高质量特征,进而在获得的高质量特征上实现多尺度物体检测。实验结果表明,本文所提出的算法能够更好地适应真实场景下物体的多尺度特点,可以提高小物体检测的准确率。（4）针对已有的物体检测算法不能解决小物体自身细节信息不足情况下的物体检测问题,也不能解决遮挡、光照、模糊等自然因素对小物体检测的影响,提出了一种新颖的端到端的基于生成对抗网络的小物体检测架构。该算法首次将超分辨技术成功地应用到小物体检测任务中,首先利用生成对抗网络（GAN）来学习产生低分辨率物体图像对应的高分辨率图像,然后在清晰的高分辨率图像上实现物体检测任务。进一步地,为了促使网络产生更为清晰的超分辨率图像,设计了几种新的损失函数。实验结果表明,本文所提出的小物体检测架构可以克服小物体自身细节信息不足而带来的检测困难的问题,降低了真实场景下的物体检测算法受自然因素的影响,提高了真实场景下小物体检测的准确率。
黄荣乘[6]（2020）在《类特定指数族分布算法在文本分类中的优化研究》文中研究说明随着大数据时代的快速发展,互联网上出现了大量杂乱无章的高维文本信息,要使用多项式朴素贝叶斯分类器（MNB）对这些高维文本信息进行高效准确的分类,就需要进行特征选择。传统特征选择算法使用一个所有类共用的特征子集来进行分类,这个共用的特征子集如果维度过高,就会导致计算复杂度较大,如果维度过低,就会忽略掉那些样本较少的类的特征,不适用于处理不均衡数据集分类问题。并且特征降维后会丢失一些与识别相关的信息,导致分类精度降低。在对高维文本进行分类时,有效的特征选择可以提高分类精度,最小化特征降维所带来的损失可以在降低复杂度的同时保证分类精度,所以本文将从这两方面进行研究。本文提出了一种类特定指数族分布算法（CSEF）,首先基于信息增益使用类特定特征选择算法（CS）找到每个类别具有最大区分度的类特定特征子集,然后构建一个包含整个训练集分布信息的参考类别,根据这个参考类别使用指数族分布（EF）将降维后特定类的CPDF从低维特征空间投影回原始空间,在原始空间中找到每个类最优的CPDF来构造出决策边界进行分类。将CSEF算法应用到MNB分类器中,利用特定类在特征空间的CPDF重构类在原始空间的CPDF估计表达式,通过最小化类原始CPDF估计表达式和原始CPDF之间的KL距离,估计出最优自然参数,得到每个类别最优的CPDF并构建出CSEF-MNB分类模型。本文对比KMRS-KNN分类算法、Ada Boost-C4.5分类算法,在python平台上使用均衡的20Newsgroups语料库和不均衡的复旦大学语料库进行仿真实验。仿真结果表明,在面对均衡数据集和不均衡数据集时,CSEF-MNB分类算法在使用少量的特征进行分类时,就可获得高分类准确率和F1值,并且随着特征维度的增加,分类效率的优化程度体现的更加明显。说明了CSEF-MNB分类算法在分类效率和分类准确率上都得到了优化,特别是在处理不均衡数据集中更多类的分类问题时,该分类算法的分类性能将更加显着。
陈翔[7]（2019）在《基于卷积神经网络的电子元器件识别和定位》文中研究说明在电子元器件的生产、应用以及回收利用等方面,其分类和定位都是十分重要的基础工作。随着科学技术的进步,电子元器件种类日渐趋多,且朝着微小化、片式化的方向演变,人工目检和传统的图像分类、图像检测方法已经逐渐地不再适用于当下的环境。同时,为了解放人力,实现生产的自动化,而当下的研究热点卷积神经网络即可以满足这一要求也在图像特征学习领域表现出众,因此本文提出将电子元器件的识别和定位与卷积神经网络相结合。为了简单高效地对电子元器件进行识别分类,本文将电子元器件的分类和卷积神经网络相结合,提出了一种基于卷积神经网络的电子元器件的识别方法。与图像识别的传统算法相比,该方法只需对输入样本进行简单的预处理,就可以作为输入用于网络模型的训练,而且卷积结构能减少参数量级,减轻计算的复杂度。本文构建了一个用于训练和测试的样本集,最后样本分类的平均精准度达到了92.20%。通过该实验结果表明,即使没有对图像进行复杂的预处理,卷积神经网络模型也能自动进行特征提取,能对多种电子元器件进行分类处理,识别效果好且更简便,攻克了传统图像分类算法的许多缺点。而针对在一块电路板上多种电子元器件的定位问题,本文基于像素和基于提议区域两种基本的语义分割模型,提出了两种不同的分割方法:跨层式语义特征融合的分割方法、共享式语义特征融合的分割方法。这两种方法改进了现有的网络模型:1、第一种方法通过优化网络结构:改写训练网络的输入方式,利用transplant方式获取预训练网络训练完成后的权重,将多层池化层的输出进行多尺度融合。训练结果表明,该方法能对多种电子元器件进行同时定位,电子元器件定位的平均精度达到了83.00%、平均交并比达到了0.78,并且当向训练完成的网络中输入测试图片,该网络能输出分割效果较好的语义分割图片。2、第二种方法通过将不同的卷积神经网络共享提取出来的卷积特征,并定制网络训练的方式,在其中揉入非极大值抑制算法（Non-Maximum Suppression,NMS）等,来优化检测框的结果,实现了电阻、电容、IC芯片等多种电子元器件的高效定位,通过训练该语义分割网络,这三种电子元器件的查准率分别达到了80.22%、67.54%、99.98%。测试阶段,这些电子元器件的平均精确度均在90.00%之上。这两种方法在保证精准度的同时,均能实现定位的实时性。
邢彪[8]（2019）在《基于粗糙集的随机森林算法优化研究》文中指出在大数据时代,单分类器技术已经不能满足日益复杂和大量的数据需求;因此多分类器变得更加重要和有效。多分类器的思想就是组合多个单分类器,然后根据多个单分类器的产生的结果进一步得到最终结果。随机森林就是一种多分类器。随机森林算法随机性之一是从整体特征中随机选择一定数量的特征,以尽可能地减少树之间的相关性,但数据中通常存在冗余特征,因此会对随机森林模型的泛化能力造成影响。针对随机森林特征选择时数据集中存在冗余特征的情况,通过对传统随机森林算法的分析,决定采用粗糙集对传统随机森林算法进行优化改进。粗糙集可以简化数据并保留数据的最小知识,同时保留关键信息。粗糙集能对随机森林特征选择时数据集中存在较多冗余特征而影响模型的分类效果的问题进行有效的处理。基于此,本文选择用基于遗传算法的粗糙集属性约简方法对随机森林算法进行优化,在随机森林选取特征之前就剔除掉总体特征中的冗余特征,从而提高随机森林算法的效率。本文完成了以下几个方面的工作:（1）介绍了属性约简研究现状、粗糙集属性约简研究现状和随机森林国内外研究现状;详细介绍了粗糙集基础理论。详细研究了随机森林算法的基本数学概念、性质;对决策树算法进行了详细的研究,介绍了决策树的产生以及ID3、C4.5、CART算法;在构建决策树的基础上,研究了随机森林算法构建过程,对随机森林数据集的产生以及单个决策树的构建以及随机森林算法的执行过程进行了详细的分析。（2）针对随机森林在特征选择时存在冗余特征的问题,将基于遗传算法的粗糙集属性约简方法与随机森林分类思想结合,提出了一种基于遗传算法的粗糙集和随机森林结合的分类预测算法;对基于遗传算法的粗糙集属性约简方法在多个UCI数据集上进行了属性约简,同时与PCA、CHI2在约简后模型分类效果进行了对比实验,选用平均准确率作为客观评价参数,来评价三种不同的约简方法效果。（3）通过编程实现基于遗传算法的粗糙集和随机森林结合的分类预测算法,主要通过与经典的随机森林算法进行比较,在葡萄酒数据集和宫颈癌数据集上测试其效率,选择分类准确率、运行时间、ROC曲线、AUC均值、OOB以及ooberror作为评价指标对其进行综合评价;同时,在多个机器学习数据集上与多种机器学习算法进行对比分析,选择平均准确率作为评价指标,验证了优化后随机森林算法的在分类方面的有效性。本论文在粗糙集和随机森林原理研究的基础上,采用基于遗传算法的粗糙集属性约简方法优化随机森林特征选择,对随机森林的分类效果有较大的提升。因此,基于遗传算法的粗糙集属性约简和随机森林分类相结合的方法,不仅具有一定的方法创新,同时在实际应用中也具有重要价值。
任梦圆[9]（2019）在《覆盖粗糙集下三支决策的特征选择与分类方法》文中指出三支决策理论以其更接近人类认知与决策模式的优势,被广泛应用于多个学科领域。三支决策是基于决策粗糙集与概率粗糙集提出的,存在着一定的限制。限制是决策粗糙集与概率粗糙集的上下近似都是利用原始粗糙集的等价类去划分,而等价类是一种对数据比较严格的硬划分,忽略了样本的多样性,会导致三支决策的决策准确率降低。本文针对这个问题,提出覆盖粗糙集下的三支决策模型。覆盖粗糙集是将粗糙集的等价类推广为覆盖类,允许每个类之间有交集,充分的考虑到样本的多样性,本文用覆盖粗糙集下的三支决策模型去处理特征选择与分类任务。对于特征选择任务,本文提出了覆盖粗糙集下三支决策的特征选择算法。该算法在原有覆盖基础上提出了新的覆盖,使原本不单调的三支决策约简变的单调,方便用正域选择特征子集。首先,对每个特征下的所有样本,计算其对应的覆盖,再计算每个样本在不同特征下的覆盖算子。其次,计算每个样本的覆盖算子在不同特征下的条件熵,选取熵值最大的特征。接着,在剩余特征中计算出重要度大的特征加入到所选特征子集中。最后,根据原始正域的样本个数是否与选取的特征子集正域的样本个数相等作为停止条件。实验结果表明,与传统特征选择算法相比,本文提出特征选择算法结果更优。对于分类任务,本文提出了覆盖粗糙集下三支决策的分类算法。该算法改进了原始三支决策分类算法,将边界域样本用覆盖粗糙集中覆盖算子进行分类。本算法分三步对样本进行分类。第一步利用样本属于每个决策类别的概率来进行分类。若本阶段不能判断样本类别,则进入第二步。第二步利用样本的覆盖算子来进行分类,若本阶段依然不能判断样本类别,则进入第三步。第三步利用基于距离的近邻分类方法进行分类。实验结果表明,与传统分类算法相比,本文提出的分类算法实验结果更优。本文在相同条件下进行了特征选择与分类算法的对比实验。分别用了不同数据集和三个不同指标去评价算法好坏。实验结果表明,本文提出的方法在大多数情况下优于其他同类算法。
于娟[10]（2019）在《基于限制容差关系的动态不完备数据的特征选择》文中提出经典粗糙集理论是一种处理完备数据的数学工具。由于数据的测量误差、对数据提取的限制等原因,导致不完备、不确定的数据随处可见,并且数据随时间动态变化,这使得经典粗糙集理论应用受限。因此如何高效的处理动态变化的数据,找到合适的粗糙集扩展模型是当前研究者们重点研究的课题之一。在粗糙集理论中,特征选择是知识获取的关键和核心。利用传统的属性约简算法对动态数据进行属性约简,需要消耗大量的计算时间,占用较大的内存,最终导致运行速度缓慢,无法达到预期的效果。因此在不完备信息系统中如何动态更新属性约简算法,提高算法的效率是数据挖掘等领域的重点课题之一。本文以粗糙集为基础,以获取知识为目的,针对动态变化的不完备信息系统的属性约简方法进行深入的研究和讨论,主要工作包括:首先,以限制容差关系模型为基础,考虑了由于属性值缺失程度的不同而导致的不完备信息系统的差异性,结合完备度的定义,给出了对象间完备度的限制容差关系的粗糙集扩展模型,并对该模型进行理论和实例的证明。其次,结合正区域的定义提出了一种新的正区域的等价计算公式。当属性集发生动态变化时,分析了正区域的计算方法,结合属性重要度的定义,设计了属性集增加和删除时的更新算法（算法AIAR和算法DIAR）,并对算法的时间复杂度进行分析,证明了算法的可行性。另外,讨论了当单个对象发生动态变化时新正区域的计算方法,根据正区域的计算方法和已有算法,给出了单个对象动态变化时的更新算法（算法ASOIAR）。当多个对象发生动态变化时,根据算法ASOIAR的思想,提出了多个对象动态变化时的更新算法（算法MOIAR）,并通过时间复杂度分析验证了算法的有效性。最后,从UCI数据库中选取4个不完备数据集,分析并验证了算法的有效性和合理性。
二、基于Rough Set的CLS算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Rough Set的CLS算法研究（论文提纲范文）
（1）图像与视频中文字与特定对象检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 文字对象检测 |
| 1.2.2 特定对象检测 |
| 1.3 主要研究内容和贡献 |
| 1.4 论文组织结构 |
| 第2章 基于由内向外监督网络的场景文字检测 |
| 2.1 引言 |
| 2.2 由内向外监督网络 |
| 2.2.1 概览 |
| 2.2.2 网络架构 |
| 2.3 实验 |
| 2.3.1 数据集 |
| 2.3.2 实现细节 |
| 2.3.3 消融实验 |
| 2.3.4 算法对比实验 |
| 2.3.5 参数分析 |
| 2.3.6 错误样本分析 |
| 2.4 本章小结 |
| 第3章 基于尺度残差学习网络的场景文字检测 |
| 3.1 引言 |
| 3.2 尺度残差学习网络 |
| 3.2.1 动机 |
| 3.2.2 尺度残差学习方式 |
| 3.2.3 网络实现 |
| 3.2.4 标签产生 |
| 3.2.5 预测器 |
| 3.2.6 讨论 |
| 3.3 LS-Text数据集 |
| 3.3.1 数据收集 |
| 3.3.2 数据标注 |
| 3.3.3 数据集特色 |
| 3.4 实验 |
| 3.4.1 实验设置和评价标准 |
| 3.4.2 消融实验 |
| 3.4.3 算法对比实验 |
| 3.5 本章小结 |
| 第4章 基于时域一致性表达网络的视频文字检测 |
| 4.1 引言 |
| 4.2 时域一致性表达网络 |
| 4.2.1 空域文字检测器 |
| 4.2.2 时域融合过滤器 |
| 4.3 实验 |
| 4.3.1 实验设置 |
| 4.3.2 不同融合策略的评价 |
| 4.3.3 算法的组件分析 |
| 4.3.4 算法对比实验 |
| 4.3.5 参数分析 |
| 4.3.6 错误样本分析 |
| 4.4 本章小结 |
| 第5章 基于采样分治网络的时空域视频文字检测 |
| 5.1 引言 |
| 5.2 采样分治网络 |
| 5.2.1 采样恢复模型 |
| 5.2.2 分治模型 |
| 5.3 UCAS-STLData数据集及其评价标准 |
| 5.3.1 UCAS-STLData数据集 |
| 5.3.2 评价标准 |
| 5.4 实验 |
| 5.4.1 空域文字检测实验 |
| 5.4.2 时域文字定位实验 |
| 5.4.3 时间效率分析 |
| 5.4.4 影响因子分析 |
| 5.5 本章小结 |
| 第6章 基于引导注意力网络的航拍场景对象检测计数 |
| 6.1 引言 |
| 6.2 引导注意力网络 |
| 6.2.1 主干网络 |
| 6.2.2 多尺度特征融合 |
| 6.2.3 预测器 |
| 6.2.4 损失函数 |
| 6.2.5 针对航拍场景的数据增强 |
| 6.3 实验 |
| 6.3.1 实现细节 |
| 6.3.2 算法对比实验 |
| 6.3.3 消融实验 |
| 6.4 本章小结 |
| 第7章 基于级联检测计数网络的零售场景对象检测计数 |
| 7.1 引言 |
| 7.2 级联检测计数网络 |
| 7.2.1 损失函数 |
| 7.3 Locount数据集 |
| 7.3.1 数据集构建 |
| 7.3.2 评价标准 |
| 7.4 实验 |
| 7.4.1 实验配置 |
| 7.4.2 算法对比实验 |
| 7.4.3 消融实验 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）基于高分遥感影像的深度学习目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 遥感技术的发展 |
| 1.1.2 图像处理算法的发展 |
| 1.1.3 基于高分遥感影像的深度学习目标检测 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 创新之处 |
| 1.5 论文组织安排 |
| 第2章 基于高分遥感影像的目标检测算法综述 |
| 2.1 基于手工特征的目标检测算法 |
| 2.1.1 基于低级手工特征的目标检测算法 |
| 2.1.2 基于中级手工特征的目标检测算法 |
| 2.2 基于深度特征的目标检测算法 |
| 2.2.1 基于深度特征的单阶段目标检测算法 |
| 2.2.2 基于深度特征的两阶段目标检测算法 |
| 2.3 高分遥感目标检测趋势分析 |
| 2.4 本章小结 |
| 第3章 基于层级鲁棒网络的特征提取研究 |
| 3.1 引言 |
| 3.1.1 RSI目标检测中定位技术的发展 |
| 3.1.2 RSI目标检测中识别技术的发展 |
| 3.1.3 RSI目标检测中的数据集 |
| 3.1.4 层级鲁棒卷积神经网络 |
| 3.2 研究方法 |
| 3.2.1 区域提案 |
| 3.2.2 提出的神经网络框架 |
| 3.2.3 识别器和回归器 |
| 3.3 实验结果 |
| 3.3.1 数据库介绍 |
| 3.3.2 评价指标 |
| 3.3.3 实施细节 |
| 3.3.4 实验结果与讨论 |
| 3.4 小结讨论 |
| 第4章 基于门控轴聚定位网络的目标定位研究 |
| 4.1 引言 |
| 4.2 目标检测框架 |
| 4.2.1 区域提案生成 |
| 4.2.2 CNN特征提取 |
| 4.2.3 RoI池化 |
| 4.2.4 类别识别 |
| 4.2.5 定位回归 |
| 4.3 研究方法 |
| 4.3.1 全局特征加门 |
| 4.3.2 轴聚预测 |
| 4.3.3 GACL Net结构 |
| 4.4 实验结果 |
| 4.4.1 数据库介绍 |
| 4.4.2 实验设置 |
| 4.4.3 评价指标 |
| 4.4.4 HRRSD上的验证实验 |
| 4.4.5 NWPU VHR-10 上的验证试验 |
| 4.4.6 和其他方法的对比 |
| 4.4.7 GACL Net变型分析 |
| 4.4.8 定位提升验证 |
| 4.4.9 消融实验 |
| 4.5 小结讨论 |
| 第5章 基于属性协同卷积神经网络的目标识别研究 |
| 5.1 引言 |
| 5.2 研究方法 |
| 5.2.1 框架 |
| 5.2.2 分类分支 |
| 5.2.3 属性分支 |
| 5.2.4 关系分支 |
| 5.2.5 综合权重共享机制 |
| 5.3 实验结果 |
| 5.3.1 建立联合数据集的流程 |
| 5.3.2 数据库 |
| 5.3.3 实验设置 |
| 5.3.4 对比方法 |
| 5.3.5 结果分析 |
| 5.4 小结讨论 |
| 第6章 基于一致多阶段检测框架的定位识别耦合研究 |
| 6.1 引言 |
| 6.2 研究方法 |
| 6.2.1 整体框架 |
| 6.2.2 鲁棒网络头结构 |
| 6.2.3 提案一致的头协作机制 |
| 6.2.4 训练损失函数 |
| 6.3 实验结果 |
| 6.3.1 数据集描述 |
| 6.3.2 评价指标 |
| 6.3.3 实现细节 |
| 6.3.4 实验结果 |
| 6.4 小结讨论 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于邻域粗糙集的属性约简算法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容和组织结构 |
| 第二章 粗糙集理论基础 |
| 2.1 经典粗糙集理论基础 |
| 2.2 邻域粗糙集理论基础 |
| 2.3 本章小结 |
| 第三章 基于邻域粗糙集的属性约简算法 |
| 3.1 前向贪心数值属性约简算法 |
| 3.2 前向搜索属性约简快速算法 |
| 3.3 基于邻域粗糙集的快速属性约简算法 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙集属性重要度的快速约简算法 |
| 4.1 基于K近邻属性重要度和相关系数的属性约简算法 |
| 4.1.1 K近邻属性重要度 |
| 4.1.2 相关系数及其性质 |
| 4.1.3 算法设计与实现 |
| 4.1.4 实验分析 |
| 4.2 基于Relief的快速属性约简算法 |
| 4.2.1 基于Relief的属性重要度算法 |
| 4.2.2 基于Relief的快速属性约简算法 |
| 4.2.3 实验分析 |
| 4.3 本章小结 |
| 第五章 基于邻域粗糙集的C4.5决策树分类算法 |
| 5.1 基于邻域粗糙集的C4.5决策树分类算法 |
| 5.1.1 C4.5算法简介 |
| 5.1.2 分裂属性的选择标准 |
| 5.1.3 连续属性分割阈值的选择方法 |
| 5.1.4 算法描述 |
| 5.2 实验分析 |
| 5.2.1 实验数据 |
| 5.2.2 实验结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（4）无监督跨域目标识别优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状与存在问题分析 |
| 1.2.1 无监督大样本跨域目标识别方法研究现状 |
| 1.2.2 无监督少样本跨域目标识别方法研究现状 |
| 1.2.3 无监督多源跨域目标识别方法研究现状 |
| 1.3 拟解决的关键技术问题 |
| 1.4 本文主要研究内容 |
| 第2章 大样本跨域目标识别优化算法模型的建立 |
| 2.1 引言 |
| 2.2 基于概率分布适配的跨域目标识别算法框架 |
| 2.3 结构化联合分布适配算法(SJDA) |
| 2.3.1 结构化伪标签预测算法 |
| 2.3.2 基于结构化伪标签预测的联合分布适配 |
| 2.4 基于SJDA的大样本跨域识别优化算法模型的建立 |
| 2.4.1 SJDA模型框架与深度神经网络实现 |
| 2.4.2 SJDA模型的优化方法设计 |
| 2.4.3 SJDA方法误差边界的估计与分析 |
| 2.5 SJDA方法的实验分析与性能验证 |
| 2.5.1 无监督实验数据集的建立 |
| 2.5.2 SJDA方法性能验证的对比方法选择 |
| 2.5.3 实验参数设置与性能评价指标 |
| 2.5.4 SJDA方法性能验证实验结果与分析 |
| 2.5.5 SJDA方法主要技术的有效性验证 |
| 2.6 本章小结 |
| 第3章 样本噪声条件下跨域目标识别优化算法研究 |
| 3.1 引言 |
| 3.2 域参数相似性正则化方法的提出 |
| 3.2.1 域参数相似性正则化方法的具体形式 |
| 3.2.2 基于正交自编码机的参数矩阵降维方法 |
| 3.2.3 参数矩阵的相似性度量方法研究 |
| 3.3 基于DPSR算法的跨域目标识别模型建立 |
| 3.3.1 DPSR识别模型的深度神经网络实现 |
| 3.3.2 DPSR识别模型的优化方法设计 |
| 3.3.3 DPSR识别模型的误差边界分析 |
| 3.4 DPSR模型跨域识别性能的实验验证与分析 |
| 3.4.1 实验条件与对比方法 |
| 3.4.2 实验参数的计算与设置 |
| 3.4.3 DPSR模型性能验证实验结果与分析 |
| 3.4.4 DPSR模型的有效性验证与分析 |
| 3.5 本章小结 |
| 第4章 基于属性图模型的少样本跨域目标识别优化算法设计 |
| 4.1 引言 |
| 4.2 无监督属性特征提取方法研究 |
| 4.2.1 属性语义空间的建立 |
| 4.2.2 属性特征的提取 |
| 4.3 基于图网络的属性关系建模 |
| 4.3.1 图卷积操作的数学形式推导 |
| 4.3.2 属性关系的图卷积神经网络模型 |
| 4.4 基于属性图模型(AGM)的跨域目标识别算法设计 |
| 4.4.1 属性图模型的架构设计 |
| 4.4.2 属性图模型的优化方法 |
| 4.5 AGM识别模型的实验验证与分析 |
| 4.5.1 用于AGM模型验证的少样本实验数据集构建 |
| 4.5.2 AGM性能验证实验的对比方法选择与实验参数设置 |
| 4.5.3 AGM模型性能验证实验结果与分析 |
| 4.5.4 AGM模型的有效性验证与分析 |
| 4.6 本章小结 |
| 第5章 基于多源选择分布适配的飞行目标跨域识别算法研究 |
| 5.1 引言 |
| 5.2 飞行目标识别中的多数据源跨域识别问题分析 |
| 5.3 多源选择分布适配算法(MSDA)的提出 |
| 5.4 基于MSDA算法的飞行目标识别模型建立 |
| 5.4.1 基于跨域生成对抗网络的识别模型设计 |
| 5.4.2 飞行目标识别模型的优化方法研究 |
| 5.5 飞行目标识别模型的实验验证与性能分析 |
| 5.5.1 典型飞行目标数据集的建立 |
| 5.5.2 MSDA性能验证实验的对比方法选择与实验参数设置 |
| 5.5.3 飞行目标识别模型性能验证实验结果与分析 |
| 5.6 飞行目标识别模型硬件加速平台的搭建 |
| 5.6.1 加速平台的架构设计与实现方案 |
| 5.6.2 飞行目标识别模型在硬件加速平台上的运行结果 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）基于深度卷积神经网络的真实场景物体检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景及来源 |
| 1.1.2 课题研究目的和意义 |
| 1.2 基于深度卷积神经网络的物体检测技术概述 |
| 1.2.1 深度卷积神经网络基础理论 |
| 1.2.2 基于深度卷积神经网络的物体检测算法 |
| 1.3 国内外研究现状 |
| 1.3.1 深度卷积网络的研究现状 |
| 1.3.2 物体检测特征提取方法的研究现状 |
| 1.3.3 物体检测算法框架的研究现状 |
| 1.3.4 真实场景中物体检测算法的研究现状 |
| 1.4 本研究领域存在的科学问题和关键技术难题 |
| 1.5 本文的主要研究内容 |
| 1.6 本文的组织结构 |
| 第2章 基于伪真值搜寻法的弱监督真实场景物体检测算法 |
| 2.1 引言 |
| 2.2 当前研究的不足 |
| 2.3 基于伪真值搜寻法的弱监督物体检测算法框架 |
| 2.4 基于多示例学习法的弱监督物体检测器 |
| 2.4.1 多示例学习的理论基础 |
| 2.4.2 基于在线优化策略的弱监督物体检测器 |
| 2.5 伪真值生成算法 |
| 2.5.1 基于伪真值搜索法的伪真值生成算法 |
| 2.5.2 基于伪真值自适应法的伪真值优化算法 |
| 2.6 基于伪真值训练的物体检测器 |
| 2.7 网络参数优化方法 |
| 2.8 实验过程及结果分析 |
| 2.8.1 实验数据及设置 |
| 2.8.2 性能评价指标 |
| 2.8.3 实验结果分析讨论 |
| 2.8.4 计算效率分析 |
| 2.9 本章小结 |
| 第3章 基于增量式学习法的丢失标签真实场景物体检测算法 |
| 3.1 引言 |
| 3.2 当前研究的不足 |
| 3.3 丢失标签下的物体检测结果 |
| 3.3.1 实验设定 |
| 3.3.2 训练数据生成方法 |
| 3.3.3 结果分析 |
| 3.4 基于增量式学习法的丢失标签物体检测算法框架 |
| 3.5 弱监督到全监督物体检测架构 |
| 3.6 丢失标签搜寻算法 |
| 3.7 增量式学习算法 |
| 3.8 实验过程及结果分析 |
| 3.8.1 实验数据及设置 |
| 3.8.2 性能评价指标 |
| 3.8.3 训练数据标注方法比较 |
| 3.8.4 实验结果分析讨论 |
| 3.8.5 计算效率分析 |
| 3.9 本章小结 |
| 第4章 基于多通道高分辨率特征提取法的真实场景多尺度物体检测算法 |
| 4.1 引言 |
| 4.2 当前研究的不足 |
| 4.3 基于多通道高分辨率特征提取法的物体检测算法框架 |
| 4.4 多通道高分辨特征提取网络 |
| 4.4.1 多通道网络结构 |
| 4.4.2 信息交换单元 |
| 4.5 层级间特征融合模块 |
| 4.6 候选区域生成网络 |
| 4.6.1 网络结构 |
| 4.6.2 损失函数 |
| 4.6.3 网络参数优化方法 |
| 4.7 RoI池化模块 |
| 4.7.1 RoI池化层 |
| 4.7.2 损失函数 |
| 4.8 实验过程及结果分析 |
| 4.8.1 实验数据及设置 |
| 4.8.2 性能评价指标 |
| 4.8.3 实验结果分析讨论 |
| 4.8.4 计算效率分析 |
| 4.9 本章小结 |
| 第5章 基于生成对抗网络的真实场景小物体检测算法 |
| 5.1 引言 |
| 5.2 当前研究的不足 |
| 5.3 基于多任务生成对抗网络的小物体检测算法 |
| 5.3.1 生成对抗网络原理 |
| 5.3.2 网络结构 |
| 5.3.3 损失函数 |
| 5.3.4 优化策略 |
| 5.4 实验过程及结果分析 |
| 5.4.1 实验数据及设置 |
| 5.4.2 性能评价指标 |
| 5.4.3 实验结果分析讨论 |
| 5.4.4 计算效率分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（6）类特定指数族分布算法在文本分类中的优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 文本分类算法 |
| 2.1 文本分类 |
| 2.1.1 文本预处理 |
| 2.1.2 文本表示 |
| 2.2 常见的特征选择方法 |
| 2.2.1 互信息 |
| 2.2.2 卡方统计量 |
| 2.2.3 信息增益 |
| 2.3 主流分类器的分析 |
| 2.3.1 决策树分类器 |
| 2.3.2 K最邻近分类器 |
| 2.3.3 支持向量机分类器 |
| 2.3.4 朴素贝叶斯分类器 |
| 2.4 分类算法分析 |
| 2.4.1 KMRS-KNN分类算法 |
| 2.4.2 Ada Boost-C4.5 分类算法 |
| 2.5 本章小结 |
| 第三章 类特定指数族分布-分类算法 |
| 3.1 算法模型 |
| 3.1.1 模型与分析 |
| 3.1.2 类特定特征选择算法 |
| 3.1.3 指数族分布 |
| 3.2 类特定指数族分布算法(CSEF) |
| 3.2.1 基于信息增益进行类特定特征选择 |
| 3.2.2 构建条件概率密度函数估计表达式 |
| 3.2.3 条件概率密度函数估计表达式的参数估计 |
| 3.3 CSEF-MNB分类算法 |
| 3.4 性能评价指标 |
| 3.5 本章小结 |
| 第四章 算法仿真分析 |
| 4.1 仿真环境及数据集 |
| 4.1.1 仿真环境 |
| 4.1.2 数据集 |
| 4.2 分类性能对比分析 |
| 4.3 分类时间对比分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间研究成果 |
| 附录B 攻读硕士学位期间所获荣誉 |
| 附录C 核心代码 |
（7）基于卷积神经网络的电子元器件识别和定位（论文提纲范文）
| 引言 |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 卷积神经网络的研究现状 |
| 1.2.2 语义分割研究现状 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文结构安排 |
| 2 卷积神经网络及语义分割 |
| 2.1 卷积神经网络 |
| 2.2 语义分割 |
| 3 基于卷积神经网络的电子元器件分类研究 |
| 3.1 线性整流函数 |
| 3.2 局部响应归一化 |
| 3.3 基于CNN的电子元器件分类 |
| 3.3.1 卷积神经网络模型设计 |
| 3.3.2 训练集和测试集的构建 |
| 3.3.3 网络层参数设置及微调策略 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于跨层式特征融合的语义分割算法 |
| 4.1 上采样理论 |
| 4.2 跳跃结构 |
| 4.3 基于FCN的电路板元器件语义分割 |
| 4.3.1 数据预处理 |
| 4.3.2 预训练网络模型 |
| 4.3.3 全卷积神经网络模型结构及训练策略 |
| 4.4 实验结果及分析 |
| 4.4.1 评价指标 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 5 基于共享式特征融合的语义分割算法 |
| 5.1 区域提议网络 |
| 5.2 跨网络共享卷积特征 |
| 5.3 基于Faster R-CNN的电路板元器件语义分割 |
| 5.3.1 数据预处理 |
| 5.3.2 损失函数 |
| 5.3.3 网络训练及微调策略 |
| 5.4 实验结果及分析 |
| 5.4.1 评价指标 |
| 5.4.2 实验结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
| Abstract of Thesis |
| 论文摘要 |
（8）基于粗糙集的随机森林算法优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题依据和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 属性约简研究现状 |
| 1.2.2 粗糙集属性约简研究现状 |
| 1.2.3 随机森林算法研究现状 |
| 1.3 论文的研究内容 |
| 1.4 研究思路与技术路线 |
| 1.5 论文结构介绍 |
| 1.6 研究成果与创新 |
| 第2章 粗糙集基本原理简介 |
| 2.1 粗糙集基本原理简介 |
| 2.1.1 知识与不可分辨关系 |
| 2.1.2 粗糙集合的下近似、上近似、边界区 |
| 2.1.3 约简与核 |
| 2.2 本章小结 |
| 第3章 随机森林算法基本原理与构建简介 |
| 3.1 随机森林基本原理与性质概述 |
| 3.1.1 随机森林的基本原理简介 |
| 3.1.2 随机森林算法数学性质 |
| 3.2 决策树基本原理与性质概述 |
| 3.2.1 构建决策树的分裂节点算法 |
| 3.2.2 ID3、C4.5、CART分类树算法总结 |
| 3.2.3 决策树分类中存在的问题 |
| 3.3 随机森林算法模型构建 |
| 3.3.1 随机抽样产生数据集 |
| 3.3.2 训练决策树 |
| 3.3.3 随机森林模型构建过程 |
| 3.4 随机森林中常用的评价指标 |
| 3.5 本章小结 |
| 第4章 基于遗传算法的粗糙集属性约简 |
| 4.1 属性约简理论简介 |
| 4.2 传统属性约简方法 |
| 4.2.1 PCA属性约简方法 |
| 4.2.2 CHI2 属性约简方法 |
| 4.3 基于遗传算法的粗糙集属性约简 |
| 4.3.1 遗传算法理论简介 |
| 4.3.2 基于遗传算法的粗糙集属性约简 |
| 4.3.3 数据属性约简效果分析 |
| 4.4 本章小结 |
| 第5章 基于粗糙集的随机森林算法优化 |
| 5.1 基于粗糙集的属性约简与随机森林结合的分类算法 |
| 5.2 基于sklearn的随机森林实现以及分析 |
| 5.2.1 scikit-learn随机森林算法库简介 |
| 5.2.2 算法模拟实验与分析 |
| 5.2.3 改进后随机森林算法运行效率对比 |
| 5.3 基于粗糙集优化的随机森林算法与其它分类算法对比 |
| 5.3.1 数据集构造 |
| 5.3.2 模拟实验对比分析 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（9）覆盖粗糙集下三支决策的特征选择与分类方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙集与覆盖粗糙集的研究现状 |
| 1.2.2 三支决策的研究现状 |
| 1.2.3 特征选择与分类算法研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 理论基础 |
| 2.1 粗糙集理论 |
| 2.2 覆盖粗糙集理论 |
| 2.3 三支决策理论 |
| 2.4 本章小结 |
| 3 覆盖粗糙集下三支决策的特征选择方法 |
| 3.1 覆盖粗糙集下的三支决策模型 |
| 3.2 覆盖粗糙集下三支决策信息系统的信息度量 |
| 3.3 覆盖粗糙集下三支决策的特征选择算法 |
| 3.4 本章小结 |
| 4 覆盖粗糙集下三支决策的分类方法 |
| 4.1 三支决策分类算法 |
| 4.2 覆盖粗糙集下三支决策的分类算法 |
| 4.3 本章小结 |
| 5 实验结果与实验分析 |
| 5.1 实验环境及实验方法介绍 |
| 5.2 数据集 |
| 5.3 评估方案 |
| 5.3.1 相关对比特征选择算法 |
| 5.3.2 相关对比分类算法 |
| 5.4 覆盖粗糙集下三支决策的特征选择算法的实验 |
| 5.4.1 特征选择结果的对比分析 |
| 5.4.2 特征选择分类精度的对比分析 |
| 5.4.3 特征选择结果的AUC对比分析 |
| 5.4.4 单调性实验分析 |
| 5.5 覆盖粗糙集下三支决策的分类算法的实验 |
| 5.5.1 分类算法的Accuracy对比分析 |
| 5.5.2 分类算法的Precision对比分析 |
| 5.5.3 分类算法的Kappa对比分析 |
| 5.5.4 阈值的影响分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（10）基于限制容差关系的动态不完备数据的特征选择（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 组织结构 |
| 2 预备知识 |
| 2.1 经典粗糙集的相关理论 |
| 2.2 不完备信息系统的粗糙集扩展模型 |
| 2.2.1 经典粗糙集理论的扩展模型 |
| 2.2.2 基于对象间完备度的限制容差关系的粗糙集扩展模型 |
| 2.2.3 应用举例 |
| 2.3 本章小结 |
| 3 属性集动态变化时增量式特征选择 |
| 3.1 引言 |
| 3.2 基于正区域的特征选择算法 |
| 3.3 属性集增删时正区域的计算方法 |
| 3.4 案例分析 |
| 3.5 属性集增删时增量式更新算法 |
| 3.5.1 算法设计 |
| 3.5.2 算法的时间复杂度分析 |
| 3.6 本章小结 |
| 4 对象集动态变化时增量式特征选择 |
| 4.1 引言 |
| 4.2 单个对象增删时增量式特征选择 |
| 4.2.1 单个对象增加时正区域的计算方法 |
| 4.2.2 单个对象删除时正区域的计算方法 |
| 4.2.3 案例分析 |
| 4.2.4 单个对象动态变化时增量式更新算法 |
| 4.3 多个对象增删时增量式特征选择 |
| 4.3.1 多个对象增删时正区域的计算方法 |
| 4.3.2 案例分析 |
| 4.3.3 多个对象增删时增量式更新算法 |
| 4.3.4 时间复杂度分析 |
| 4.4 本章小结 |
| 5 实验测试 |
| 5.1 实验配置及数据集 |
| 5.2 属性集增删时的实验测试 |
| 5.2.1 运行时间 |
| 5.2.2 分类精度 |
| 5.3 对象集增删时的实验测试 |
| 5.3.1 属性约简的个数 |
| 5.3.2 运行时间 |
| 5.3.3 分类精度 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、基于Rough Set的CLS算法研究（论文参考文献）
- [1]图像与视频中文字与特定对象检测算法研究[D]. 蔡院强. 中国科学院大学(中国科学院计算机科学与技术学院), 2021(02)
- [2]基于高分遥感影像的深度学习目标检测方法研究[D]. 张园林. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [3]基于邻域粗糙集的属性约简算法研究及应用[D]. 林芷欣. 青岛大学, 2020(01)
- [4]无监督跨域目标识别优化算法研究[D]. 陈宇. 哈尔滨工业大学, 2020(01)
- [5]基于深度卷积神经网络的真实场景物体检测算法研究[D]. 张永强. 哈尔滨工业大学, 2020(01)
- [6]类特定指数族分布算法在文本分类中的优化研究[D]. 黄荣乘. 昆明理工大学, 2020(05)
- [7]基于卷积神经网络的电子元器件识别和定位[D]. 陈翔. 宁波大学, 2019(06)
- [8]基于粗糙集的随机森林算法优化研究[D]. 邢彪. 成都理工大学, 2019(02)
- [9]覆盖粗糙集下三支决策的特征选择与分类方法[D]. 任梦圆. 大连海事大学, 2019(06)
- [10]基于限制容差关系的动态不完备数据的特征选择[D]. 于娟. 大连海事大学, 2019(06)