基于粒子群优化极限学习机的图像分割

发布时间：2023-03-12 03:04

　　由于医学图像背景复杂,信噪比低,测量不均匀,医学成像分割问题一直是一个难题,探索一种高精度且耗时少的医学图像分类分割算法具有重要的研究意义。极限学习机与BP神经网络相比,具有更快的学习速度,被广泛应用于分类,目标识别领域,但其输入层参数是随机指定的,为此本文提出利用改进的粒子群优化算法进一步提高极限学习机的稳定性和效率,并将其应用于医学图像分割。为解决上述问题,本文的主要研究内容如下:1.基于极值扰动的粒子群算法(RPSO)改进研究。基本粒子群算法具有易于实现和搜索效率比较高的优势,但存在局部最优的问题。本文研究分析了基本PSO容易陷入局部最优的原因,根据粒子群体个体极值和全局极值随迭代过程中停止变化的步数(T0和Tg),采用多梯度随机扰动调节的方法(RPSO)搜索个体极值和全局极值,增强了算法随机搜索性能和扩展搜索空间能力。另外,通过优化复杂多维函数实验,验证了改进算法的寻优能力以及提高效率的能力。2.改进的粒子群算法优化极限学习机算法(RPSO-ELM)。本文介绍了极限学习机算法(ELM)的基本思想,阐述了 ELM训练和分类的原理,同时分析ELM具有学习速度快和网络映射复杂问题能力...

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题背景及研究的意义
    1.2 国内外研究现状
    1.3 论文结构及主要内容
2 基于极值扰动的粒子群算法改进研究
    2.1 粒子群算法简介
        2.1.1 PSO原理
        2.1.2 PSO控制参数简介
        2.1.3 PSO算法原理
    2.2 改进的标准粒子群优化算法
        2.2.1 标准PSO优化算法
        2.2.2 RPSO算法基本思想
        2.2.3 实验及性能分析
    2.3 本章小结
3 基于改进的粒子群算法优化ELM分类模型
    3.1 极限学习机算法介绍
        3.1.1 单隐层前馈神经网络模型
        3.1.2 ELM算法原理
    3.2 改进粒子群算法优化极限学习机
        3.2.1 RPSO-ELM基本思想
        3.2.2 算法分析与设计
    3.3 本章小结
4 RPSO-ELM算法应用于医学图像分割
    4.1 引言
    4.2 CT图像数据获取
    4.3 实验设计与结论
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 未来研究工作展望
参考文献
附录 本文作者读硕期间发表的论文目录
致谢



本文编号：3760810