模式识别与人工智能

模式识别与人工智能

首页 期刊简介 编委会 投稿指南 伦理声明 联系我们 English

模式识别与人工智能

	学术不端论文认定及处理办法

	版权转让协议

	保密证明

	录用稿件电子版要求

	修改说明格式

	中国自动化学会

	国家智能计算机研发中心

	中科院合肥智能机械所

	2014年 27卷 12期刊出日期 2014-12-30

	论文与报告研究与应用

论文与报告

	1057	一种基于上下文的医学图像ROI分类方法
		郭乔进，李宁，谢俊元
		感兴趣区域(ROI)的分类是医学图像的计算机辅助诊断过程的最后一步，传统方法只针对每个ROI区域单独提取特征，再利用统计学习的方法训练分类器进行分类.然而图像中每个区域所包含的视觉特征有限，很难进行准确的分类.文中提出一种基于LDA主题模型的改进模型(LDAC)，考虑ROI周围区域，即图像的上下文关系，通过利用LDA对ROI周围区域所包含的上下文信息进行建模，同时结合ROI区域的视觉信息和类别标签，从而辅助ROI区域的分类，以达到提高分类准确率的目的.乳腺图像肿块分类实验表明，文中方法可提高分类的准确性.
		2014 Vol. 27 (12): 1057-1064 [摘要] ( 648 ) [HTML 1KB] [PDF 740KB] ( 785 )

	1065	基于依赖空间的变精度粗糙集属性约简^*
		余承依，李进金
		针对求解变精度粗糙集模型属性约简问题，在对象集上定义一种上下近似二元关系.利用此关系建立属性集上的等价关系，由此构造出依赖空间，从而得到变精度粗糙集的上下近似协调集的判定定理.同时建立一种保持每个决策类的上下近似不变的属性约简方法.最后通过实例验证方法的有效性.
		2014 Vol. 27 (12): 1065-1070 [摘要] ( 431 ) [HTML 1KB] [PDF 315KB] ( 590 )

	1071	面向低维点集配准的高效最近邻搜索法^*
		祝继华，尹俊，邗汶锌，杜少毅
		为提高点集配准效率，设计一种适用于二维/三维点集的高效最近邻搜索法.该方法根据由模型点集的各维方差所选定的维度信息，排序模型点集中的点.借助二分查找法，将数据点集中的每个点插入至排序后的模型点集中，并利用左边第一个点确定搜索范围的上确界.当在确定范围内搜索最近邻时，可根据当前结果进一步减小待搜索范围，以便快速获得各点的最近邻.最后进行的复杂度分析和实验结果对比均验证文中方法的有效性.
		2014 Vol. 27 (12): 1071-1077 [摘要] ( 477 ) [HTML 1KB] [PDF 737KB] ( 605 )

	1078	具有多形态种群协同进化的多目标优化算法^*
		陈振兴，严宣辉，吴坤安
		为提高进化多目标优化算法在维持最优解多样性方面的性能，获得分布更均匀的Pareto非支配解集，文中提出一种具有多形态种群协同进化的多目标优化算法.该算法构建一种多形态种群协同进化架构，通过引入最小向量夹角的相似性度量方法，给出次优非支配个体选择策略，从而提高种群的多样性.算法还提出一种基于排序链表的拥挤个体删除策略，进一步提高解集分布的均匀性和宽广性.与经典算法对比结果表明，文中算法在解的分布性和多样性方面均有较好表现，尤其在解集分布均匀性方面优势较明显.
		2014 Vol. 27 (12): 1078-1088 [摘要] ( 455 ) [HTML 1KB] [PDF 944KB] ( 776 )

研究与应用

	1089	自适应正则化核二维判别分析^*
		姜伟，张晶，杨炳儒
		传统的半监督降维技术中，在原特征空间中定义流形正则化项，但其构造无助于接下来的分类任务.针对此问题，文中提出一种自适应正则化核二维判别分析算法.首先每个图像矩阵经奇异值分解为两个正交矩阵与一个对角矩阵的乘积，通过两个核函数将两个正交矩阵列向量从原始非线性空间映射到一个高维特征空间.然后在低维特征空间中定义自适应正则化项，并将其与二维矩阵非线性方法整合于单个目标函数中，通过交替优化技术，在两个核子空间提取判别特征.最后在两个人脸数据集上的实验表明，文中算法在分类精度上获得较大提升.
		2014 Vol. 27 (12): 1089-1097 [摘要] ( 416 ) [HTML 1KB] [PDF 593KB] ( 582 )

	1098	基于改进归一化距离匹配函数的纹理周期自动提取方法^*
		蒋圣，汤国安，陶旸
		针对规则纹理和近似规则纹理，提出基于改进归一化距离匹配函数(INDMF)的纹理周期自动提取方法.该方法首先利用灰度共生矩阵的差异性作为纹理特征，去除改进归一化匹配函数的边缘，有效优化函数峰值间的稳定性.然后使用自适应峰值寻找算法去除噪声干扰，获得初始峰值序列并进行周期提取.最后使用众数计算最优周期.分别对Brodatz纹理和PSU周期纹理进行提取实验，结果显示文中方法运行效率较高，能有效提取自然纹理的结构周期.与累加DMF向前差分法相比，文中方法具有更好的抗噪声和抗畸变能力.
		2014 Vol. 27 (12): 1098-1104 [摘要] ( 333 ) [HTML 1KB] [PDF 1439KB] ( 689 )

	1105	基于MapReduce和多目标蚁群算法的多租户服务定制算法^*
		王会颖，倪志伟，伍章俊
		多租户服务定制能满足租户不断变化的个性化服务需求，是实现灵活的SaaS多租户软件体系结构的核心技术之一.文中给出多租户服务定制的层次结构图和定制流程，并提出基于MapReduce和多目标蚁群算法的多租户服务定制算法(MSCMA).MSCMA从众多业务流程和海量服务中为租户定制出最适合的业务流程和优化的服务组合，并设计多目标蚁群算法，应用MapReduce云计算技术，在云计算环境中分布式并行地运行优化任务，并采用优良解保持策略和解多样性保持策略.实验表明，MSCMA在求解多租户个性化服务定制问题时表现出良好的收敛性和扩展性，具有处理海量数据和大规模问题的能力.
		2014 Vol. 27 (12): 1105-1116 [摘要] ( 398 ) [HTML 1KB] [PDF 714KB] ( 634 )

	1117	基于量子少数者博弈的多机器人追捕^*
		王浩，张浩，方宝富
		多个带有自利因素的追捕机器人在追捕一个逃跑者的过程中，自身利益与整体利益之间会产生冲突，导致系统付出更多代价.若调整收益分配机制，并引入量子少数者博弈，则可将经典策略空间扩展到量子策略空间.在该空间下，追捕者追求自身利益最大化时，也能达到整体最优.通过对追捕过程中量子少数者博弈进行实验分析表明，采用量子策略的机器人，其自身利益与整体利益得到统一，追捕效率大幅度提高.
		2014 Vol. 27 (12): 1117-1123 [摘要] ( 440 ) [HTML 1KB] [PDF 508KB] ( 736 )

	1124	基于最小二乘支持向量机的函数型数据回归分析^*
		孟银凤，梁吉业
		部分函数线性模型是用于处理输入变量包含函数型和数值型两种数据类型而输出变量为数值的一类回归机.为提高该模型的预测精度，基于函数系数在再生核Hilbert空间上的表示，得到模型的结构化表示，将函数系数的估计转化为参数向量的估计问题，并运用最小二乘支持向量机方法得到参数估计形式.实验表明，文中算法对数值型数据的向量系数的估计与其他参数估计方法性能相近，但对函数型数据的函数系数的估计更加准确稳健，有助于确保学习机的预测精度.
		2014 Vol. 27 (12): 1124-1130 [摘要] ( 543 ) [HTML 1KB] [PDF 490KB] ( 1152 )

	1131	基于信息熵的不完备数据特征选择算法^*
		陈圣兵，王晓峰
		在分析已有不完备信息熵的基础上，提出一种基于相似关系的不完备信息熵，并证明该信息熵的若干性质.给出一个不完备数据特征选择算法，算法以改进的不完备信息熵作为特征选择准则，直接对不完备数据的特征进行熵值分析，并采用顺序前向浮动选择方法解决特征间的相关性问题.最后在UCI实测数据集上的实验表明，文中算法具有更高的准确率和更快的特征选择速度.
		2014 Vol. 27 (12): 1131-1137 [摘要] ( 587 ) [HTML 1KB] [PDF 501KB] ( 917 )

	1138	不平衡数据学习算法在相似性学习中的应用^*
		夏佩佩，张莉
		在现实问题中，相似性学习的样本对存在不平衡现象，即相似性样本对的数量会远小于不相似性样本对的数量.针对此问题，文中提出两种样本对构造方法——不相似K近邻-相似K近邻(DKNN-SKNN)和不相似K近邻-相似K远邻(DKNN-SKFN).运用这两种方法可有针对性地选择相似性学习样本对，不仅可加快支持向量机的训练过程，而且在一定程度上解决样本对之间的不平衡问题.在多个数据集上进行文中方法和经典的重采样方法的对比实验，结果表明DKNN-SKNN和DKNN-SKFN具有良好性能.
		2014 Vol. 27 (12): 1138-1146 [摘要] ( 391 ) [HTML 1KB] [PDF 582KB] ( 777 )

模式识别与人工智能

主管：中国科学技术协会
主办：中国自动化学会
　　　国家智能计算机研究开发中心
　　　中国科学院合肥智能机械研究所
出版：科学出版社

版权所有 © 《模式识别与人工智能》编辑部
地址：安微省合肥市蜀山湖路350号　电话：0551-65591176　传真：0551-65591176　Email：bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发技术支持：support@magtech.com.cn