摘要:由于声呐图像受噪声污染严重，导致水下多目标分割存在精度低的问题.为此，提出一种自调整谱聚类结合熵权法进行多特征赋权的水下多目标分割技术.该技术首先通过自调整谱聚类对声呐图像的像素点进行聚类处理，使图像划分为多个独立的区域，然后根据多特征的互补性和冗余性统计每个区域的信息熵、亮度、对比度和狭长度等特征，利用熵权法对多特征进行赋权并筛选出最优的一个目标区域，再将该最优目标区域和所有区域进行多特征相似度匹配，最后根据相似度的匹配结果使用自适应阈值迭代法自动分割出所有的目标区域.实验结果表明没有对噪声干扰区域误分割，分割出的目标区域精度更高，验证了所提方法的有效性.

摘要:针对传统医疗图像误差预测算法无法很好的选择图像特征，存在图像误差预测值与实际值拟合度低、预测耗时长等问题，提出基于卷积神经网络与特征选择的医疗图像误差预测算法. 首先，选取5种集成规则构建自适应多分类器，对医疗图像区域进行分类；其次，训练卷积神经网络，利用训练完成的神经网络提取不同类别医疗图像区域特征，以此为基础计算区域距离，寻找出相似度最小的区域，完成图像可疑区域定位；再次，融合多评价标准生成特征子集，从中搜索得到最优特征子集，完成可疑区域图像特征选择；最后，以选择得到的特征区域像素点作为训练样本，建立预测样本与训练样本之间的多元线性回归矩阵，实现误差预测. 实验结果表明，所提算法的集成规则适应度较高，分类性能好，区域距离计算准确率高达95%左右，特征选择的AUC值（Area Under Curve）高，且预测结果拟合度和预测耗时均优于传统算法.

摘要:为了提高宫颈细胞识别速度，以最少的特征数量获得最高的识别准确率，运用分类与回归树算法（Classification and Regression Trees，CART）进行特征的选择，并采用粒子群算法（Particle Swarm Optimization，PSO）对分类器支持向量机（Support Vector Machine，SVM）进行优化，形成了PSO-SVM分类算法对细胞进行分类. 使用Herlev数据集对文中提出的算法进行验证. 通过CART特征选择方法，成功地从20个特征中提取出9个更具代表性的特征，并且二分类和七分类的准确率均达到99%以上. 并引入其他几种宫颈癌细胞的分类识别算法进行仿真比较，结果表明，本文算法在特征数目较少的情况下识别准确率依然具有明显优势，从而验证了该算法的有效性. 所述方法有效降低了人工特征选择的难度，在减少了识别用时的情况下，依然保证了细胞的识别准确率与之前几乎无异，为宫颈癌疾病诊断提供了一套有效的方法框架.

摘要:对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法：依据各通道特征可分离性判据确定特征提取区域、计算通道权值，采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度；考虑了各通道识别能力的差异性；更好地解决了分类“边界”问题.在AR, CAS-PEAL-R1, YaleB和ORL人脸库上的实验结果表明，本文方法较传统多通道Gabor表征方法具有更高的识别率，平均识别时间较传统整体表征有较大的优势.

摘要:从分类算法和特征基因选择两个方面研究基因表达数据的分类,将传统的Support Vector Machines(SVM)算法和K-nearest neighbor(KNN)算法两者结合成为一种应用于基因表达数据分类的算法,并针对基因表达数据分类数据集“样本少,维数高”的特点,提出了一种改进的基于相关性的递归特征消除算法(简称为C-RFE),消除了数据冗余．实验结果表明,新方法可有效提高分类准确率和特征选取的效率．