基于对称交叉熵的属性约简算法

针对交叉熵用来度量两个随机变量的差异程度时不满足对称性的问题,提出对称交叉熵的概念.研究在决策表的属性约简过程中决策属性集相对条件属性集对称交叉熵的变化规律,提出基于对称交叉熵的属性约简算法,同时还对其复杂度进行简单分析.实验分析表明,在多数情况下该算法能够得到决策表的最小相对约简.

Pythagorean模糊对称交叉熵及加权投影的多属性决策

在Pythagorean模糊多属性决策问题中,以欧式距离等距离测度为基础计算各备选方案与正、负理想解的距离,可能产生与正理想解距离更近的待选方案却与负理想解的距离也更近,导致所得方案排序结果并不能真实反映各备选方案的优劣程度。为有效克服决策结果的逆序问题,提出满足对称性、有界性的Pythagorean模糊对称交叉熵,进而给出Pythagorean模糊加权对称交叉熵的定义;针对规范化的Pythagorean模糊决策矩阵,以得分函数确定正、负理想方案,通过计算各方案与正理想方案的对称交叉熵并依据各属性的灰色关联贡献度确定各属性权重;分别求出各备选方案到正、负理想方案上的加权投影值,将两类加权投影值标准化处理,通过各方案的贴近度实现方案的排序择优。最终将该决策方法应用于R&D项目优选决策问题,并经对比分析验证该决策方法的有效性与合理性。

2维对称交叉熵图像阈值分割

现有阈值分割方法中所用的交叉熵不满足距离度量对称性,且算法运行速度尚有提升空间,为此提出基于分解的2维对称交叉熵图像阈值分割方法。首先通过运用对称交叉熵描述分割前后图像之间的差异程度,分别导出1维和2维对称交叉熵阈值选取公式,给出相应的2维快速递推算法,计算复杂性由穷举搜索的O(L4)降到O(L2);然后将2维对称交叉熵法的运算转换到两个1维空间上,计算复杂性进一步降低到O(L)。实验结果表明,与现有的2维非对称交叉熵法相比,该方法具有更强的抗噪性,运行时间大幅减少,是一种更有效的2维交叉熵阈值分割方法。

基于二维对称交叉熵的红外图像阈值分割

针对现有的阈值选取方法应用于目标与背景面积相差悬殊的红外图像时常导致严重的误分割现象,本文提出了一种基于对称交叉熵及背景与目标面积差的红外目标图像阈值选取方法。对称交叉熵能确保分割后类的内聚性好,而背景与目标面积差可抑制均等分割的趋势,将两者综合构成了更为合理的阈值选取准则函数。首先导出了一维阈值选取公式;然后给出了二维直方图斜分阈值及二维直方图斜分的简化阈值选取方法,抗噪性能明显改善;最后与二维斜分的最大熵阈值、Otsu阈值及非对称交叉熵阈值选取方法进行了比较,实验结果表明,本文方法在分割效果上具有明显的优势。

基于二维对称Tsallis交叉熵的小目标图像阈值分割

现有的阈值分割方法应用于目标与背景面积相差悬殊的小目标图像时,几乎都失效。为此,提出了基于对称Tsallis交叉熵及背景与目标面积差的小目标图像阈值分割方法。对称Tsallis交叉熵准则能确保准确分割时目标和背景内部的灰度均匀,而背景与目标面积差可抑制均等分割的趋势,二者综合构成了更为合理的阈值选取准则函数。首先导出了一维阈值选取公式;然后经推广得到基于二维斜分对称Tsallis交叉熵及背景与目标面积差的阈值选取公式,给出了其快速递推算法及相应的简化方法。大量实验结果表明:与目前性能较优越的二维斜分Otsu、最大熵、非对称交叉熵阈值分割方法相比,所提出的方法在小目标图像分割效果上具有极为明显的优势。

分解的二维非对称Tsallis交叉熵图像阈值选取

现有的Tsallis交叉熵能够度量图像分割前后的差异,但公式复杂,计算效率不高,据此,提出了基于分解的二维非对称Tsallis交叉熵图像阈值选取方法。首先给出了非对称Tsallis交叉熵的定义,提出了一维非对称Tsallis交叉熵阈值选取方法;然后,将其拓展到二维,推导出相应的阈值选取公式;最后,在此基础上提出了二维非对称Tsallis交叉熵阈值选取的分解算法,使求解二维非对称Tsallis交叉熵阈值法的运算转化到两个一维空间上,将计算复杂度从O(L4)降低为O(L)。大量实验结果表明,与基于混沌粒子群优化的二维Tsallis灰度熵法、二维斜分对称交叉熵法,二维斜分对称Tsallis交叉熵法等方法相比,该方法分割性能优,运行时间短,可望满足实际应用系统对分割的实时要求。

基于灰度-梯度二维对称Tsallis交叉熵的阈值分割

针对灰度级-平均灰度级直方图的二维Tsallis交叉熵阈值分割法存在错分、计算复杂度较高问题,提出一种基于灰度-梯度二维对称Tsallis交叉熵的阈值分割方法。构建新的灰度-梯度二维直方图,更加全面地考虑目标点和背景点;导出基于该直方图区域划分的对称Tsallis交叉熵阈值选取公式;采用基于tent映射的混沌小生境粒子群优化算法搜寻二维最佳阈值向量,并引入快速递推算法降低其适应度函数的计算复杂度。实验结果表明,与基于灰度级-平均灰度级直方图的二维Tsallis交叉熵阈值分割法相比,该方法能够使分割后的图像边缘更加准确,类内灰度更加均匀,且实时性提高了30倍。

基于单值中智集相似性及熵度量的轴承故障诊断

文章以轴承的故障识别和分类作为研究对象,建立特征提取和分类方法。首先通过小波包分解得到各频段的能量谱,根据多个样本的能量谱得到已知故障类型单值中智集(SVNS)矩阵和实验数据的SVNS。其次,通过SVNS理论,建立了三种分类计算方式,分别是:Euclidean距离、余弦相似度、单值中智集对称交叉熵(SVNSSCE)。最后,实验数据证明了文章采用方法的可行性和有效性,故障识别率达到96%以上,且余弦相似度、SVNSSCE分类方式相对于Euclidean距离在文章数据集中有更好效果。文章分类方法具有以数据驱动为主、人工参数少、计算量小的特点。

基于改进北方苍鹰优化算法的多阈值图像分割

多阈值图像分割是一种简单、准确、高效且普遍的图像分割方法,相比单阈值图像分割更适用于包含大量信息的彩色图像。在多阈值图像分割中,随着阈值数量的增加,传统的枚举法计算量增大,分割一幅彩色图像不仅需要更多的时间,而且分割精度也随之降低。提出一种基于改进北方苍鹰优化(INGO)算法的多阈值图像分割方法。利用立方混沌优化与透镜成像反向学习策略增加种群多样性,在优化初始解的同时扩大种群搜索范围,使INGO算法尽可能搜索到潜在的最优解,增强算法的搜索能力。将最优最差反向与透镜成像反向学习策略相结合,避免INGO算法易陷入局部最优的情况,提高收敛精度。在对经典的伯克利测试图像进行多阈值彩色图像分割的实验结果表明,在GWO、PSO、ChOA等算法中,INGO算法取得峰值信噪比和特征相似度最优平均值的占比分别为100.000%和78.125%,在保证算法收敛效率的同时获得较优的图像分割结果,在多阈值图像分割领域具有较强的理论应用价值。

柑桔溃疡病自动识别方法及其仿真研究

研究基于Boosting的柑桔溃疡病自动识别算法。提出了一种基于特征选择准则的Boosting学习算法,采用对称交叉熵作为弱分类器的相似度评价。将弱分类器相似度与Boosting学习过程相结合学习出更优化的弱分类器,对溃疡病斑图象进行特征选取和学习,建立了自适应的病斑特征模型,最后利用该模型完成溃疡病自动识别。实验结果表明,这种算法避免了Boosting算法进行特征提取时的缺点,减少了选取结果中的冗余,尤其在进行高维特征选取时,能够提高特征选取速度,使选取的特征更具代表性。

属性权重未知picture模糊多属性决策方法及其应用

针对属性权重未知的picture模糊多属性决策问题,提出一种基于picture模糊熵和picture模糊加权对称交叉熵的多属性决策方法。首先,基于余弦函数提出一类新的picture模糊熵,并验证该熵值满足picture模糊熵的公理化定义;其次,针对标准化处理后的picture模糊决策矩阵,以picture模糊熵确定各属性权重,同时确定正、负理想方案;再次,分别计算各方案与正、负理想方案的picture模糊加权对称交叉熵,考虑决策者的主观评价倾向以模糊折中值得到各备选方案的排序结果;最后,将所提多属性决策方法应用于河南自贸试验区郑州片区创新型项目遴选,并通过对比分析验证该决策方法的有效性与合理性。

改进的混合高斯模型运动目标检测算法

混合高斯模型中阈值T的合理选择在目标与背景区域的获取过程中占有重要的地位。只有选取合适的值,才可以减少灯光突变和图像闪烁所造成的干扰。针对类间最大对称交叉熵自适应选取算法准确度和精确度,在特征类间的频率和频率分布在类间方面需要进行改进。通过增加小的元素值和信息熵改进类间的频率,以及通过加权方式改进频率分布在类间方面的需要。结果表明,改进的对称交叉熵特征选择方法在背景分类中具有更优异的效果。