近似邻域的完备探讨

重新定义了6种点近似邻域和9种集合近似邻域,证明了它们的完备互斥性,并研究了近似邻域的基本性质和与其它邻域、近似算子等的关系,丰富和发展了已有的结果.

集合近似邻域与知识论域拓扑空间的性质

定义了集合近似邻域,研究了其基本性质,探讨了各种集合近似邻域的关系,以及集合近似邻域与集合邻域、近似算子、点近似邻域、近似拓扑邻域等的关系.用集合近似邻域为手段,研究了知识论域拓扑空间,得出了一些重要结论.

内部、闭包算子、邻域与近似算子的关系

研究了 RiA与i RA、RclA与clRA的关系.引入评价函数、外开域算子、内闭域算子等概念,得出了iA i RiA、clRclA clA等重要结论.在邻域与近似算子的关系的研究中,定义了近似强、弱、非邻域、近似拓扑和近似拓扑邻域等概念,并研究了各种邻域之间,以及它们与近似算子的关系.

基于邻域近似误差率的多标记特征选择

多标记学习可以同时处理与一组标记相关的数据,多标记学习的研究对于多义性对象的学习建模具有十分重要的意义.与传统的单标记学习一样,数据的高维性是多标记学习的阻碍,因此数据降维是一项十分重要的工作,而特征选择是一种有效的数据降维技术.提出了基于邻域近似误差率的多标记特征选择算法.首先,在邻域粗糙集理论的基础上,引入实例的边界来对所有实例进行粒度化.其次,基于邻域决策误差率提出了邻域近似误差率的策略来评价特征.最后,在公开的数据集上进行了大量的实验,结果表明所提算法的有效性.

邻域近似条件熵的特定类属性约简及启发算法

针对属性约简的推广,采用邻域近似条件熵,建立邻域粗糙集的特定类属性约简及其启发算法。粒化分解决策分类的高层邻域近似条件熵,提取定义特定类的中层邻域近似条件熵并得到上下界与粒化非单调性;提出基于邻域近似条件熵的特定类属性约简,设计启发式约简算法;采用决策表实例与数据集实验进行有效验证。所得结果有利于特定类模式识别的不确定性度量与优化应用。

一种基于邻域近似精度的离群点检测方法

针对混合属性离群点检测问题,提出基于邻域近似精度的混合属性离群点检测方法。首先,定义异构邻域关系度量来表示混合数据之间的近邻性。然后,定义一种特定的邻域近似精度来构建邻域粒离群度。进而,定义基于邻域近似精度的离群因子及提出基于邻域近似精度的离群点检测(Nighborhood approximation accuracy-based outlier detection,NAAOD)。最后,用UCI数据集对NAAOD算法的有效性进行了验证。理论研究和实验结果均表明,NAAOD算法对混合属性离群点检测是有效的。

基于邻域系统的粗糙集模型的代数性质

基于邻域系统的粗糙集模型是基于一般二元关系的广义粗糙集模型以及覆盖粗糙集模型的扩展。一般来说,不同的邻域系统可能生成相同的近似算子。给出不同邻域系统生成相同近似算子的条件,进而基于近似算子提出一种对邻域系统分类的方法。另外,给出基于邻域系统的粗糙近似算子的公理化描述方法。

基于随机查找的并行大规模纹理合成

传统的纹理合成方法使用高维向量树来加速目标纹理块的搜索效率,存在占用内存量大、执行效率低、无法在GPU上并行执行等缺点.为了实现图像块的快速近似邻域查找,提出一种并行优化纹理合成方法.该方法分为初始化和迭代优化2个阶段,初始化阶段从样本纹理中随机抽取样本纹理块填充目标图像,迭代阶段交替采用并行的随机查找算法和并行的纹理块传播算法迭代精化目标纹理.随机查找算法根据最相似纹理块出现在前一目标纹理块周围的概率与它到前一目标纹理块的距离成反比的特点,使随机采样纹理块的概率分布与最相似目标纹理块出现的概率相匹配,达到加速纹理合成的目标.采用CUDA实现了文中方法,实验结果表明,其执行效率比已有的纹理合成算法快50~100倍,可应用于交互式纹理合成和超大尺寸纹理合成.

基于随机映射的快速图像修复算法

传统基于样本块的图像修复方法是在图像全局区域内循环搜索最优相似块,且结构传播过程易受置信因子影响,使得算法运算量大、时间长、效率低.针对以上问题,提出基于随机映射的修复算法.该算法采用随机映射的方法搜索与待修复区域在结构和纹理相似的样本区域,去除冗余的样本搜索空间;其次优化了基于置信因子和边缘信息的优先级计算方法,改进了最优相似块的计算方法,增强了图像结构传播的正确性.实验结果表明,该方法的修复速度比传统方法提高了5～10倍,且增强了图像修复效果.