邻域粗糙集约简算法及在场景图像目标检测中的应用

摘要

现在是一个大数据时代，而且每时每刻都在产生新数据，如何高效的从数据中挖掘出有价值的信息已经成为一个热门研究。粗糙集以其挖掘知识的客观性，被广泛应用于数据挖掘中。由于经典粗糙集只能处理离散型数据的局限性，胡清华将经典粗糙集扩展到邻域粗糙集。
　　为了高效的处理动态数据，本文从邻域粗糙集的信息观出发，主要创新点如下:
　　(1)在邻域粗糙集中，通过分析论域下某样本邻域中其他样本与该样本决策属性值的异同，定义了不一致邻域矩阵。研究发现，在现有条件属性基础上，利用不一致邻域矩阵可以缩小属性增加后的搜索范围。因此计算属性重要度时，减少了在原条件属性基础上增加一个属性后条件熵的计算时间。并找到了邻域系统下条件熵和正域的关系，得到其性质和定理，它们可以加快算法的收敛速度，因此提出了一种信息观下基于不一致邻域矩阵的属性约简算法。
　　(2)针对实际数据的动态性，样本增加后，原约简集可能已不再有效，需要对其动态更新。邻域决策系统中现有的增量算法都是从代数观下分析其变化情况，本文从信息观出发，详细分析了增加样本后，条件熵的变化机制，以及其对约简集的影响规律，发现只有新增样本不一致邻域中的样本才会引起条件熵的变化，相继引起了约简集的变化。提出了一种信息观下增量式属性约简算法，该算法只需针对新增样本及其不一致邻域进行约简，有效地避免了重复约简，从而快速求得更新后的约简集。
　　(3)将本文提出的属性约简算法应用到场景图像目标检测的特征选择中，针对Hog高维特征的特点，分析提取Hog特征的原理，通过级联约简对Hog特征进行选择。

目录

声明

论文说明

摘要

符号索引

第一章 绪论

1．1 论文研究背景和意义

1．2 论文研究国内外现状

1．2．1 粗糙集研究现状

1．2．2 论文图像中目标检测研究现状

1．3 论文研究内容

1．4 论文组织结构

第二章 邻域粗糙集模型的基本理论

2．1 粗糙集模型

2．1．1 粗糙集基本概念

2．1．2 经典粗糙集的属性约简算法

2．2 邻域粗糙集模型

2．2．1 邻域粗糙集基本概念

2．2．2 邻域决策系统

2．2．3 邻域粗糙集属性约简算法

2．3 本章小结

第三章 信息观下邻域粗糙集属性约简算法

3．1 信息观下属性约简机制

3．1．1 基本理论

3．1．2 信息观下属性约简算法的设计

3．2 邻域粗糙集下三种约简算法的内在分析

3．2．1 信息观下基于互信息的属性约简算法

3．2．2 三种约简算法的内在分析

3．3 约简算法的测试和结果分析

3．3．1 实例验证

3．3．2 参数的确定

3．3．3 算法测试和结果分析

3．4 本章小结

第四章 信息观下邻域粗糙集增量式属性约简算法

4．1 信息观下增量式约简机制

4．1．1 增加样本后条件熵的变化规律

4．1．2 增加样本后约简集的变化规律

4．1．3 信息观下增量式约简算法的设计

4．2 增量式约简算法的测试和结果分析

4．2．1 实例验证

4．2．2 算法测试和结果分析

4．3 本章小结

第五章 基于场景图像目标检测的邻域粗糙集约简算法研究

5．1 场景图像特征提取技术

5．1．1 灰度特征

5．1．2 纹理特征

5．1．3 Hog特征

5．2 场景图像中目标检测

5．2．1 领域粗糙集在场景图像中的应用

5．2．2 场景图像中目标检测结果分析

5．2．3 场景图像增量式特征选择及检测结果分析

5．3 本章小结

第六章 总结和展望

6．1 全文总结

6．2 研究展望

参考文献

致谢

攻读硕士学位期间的研究成果