改進(jìn)的PSO優(yōu)化ELM算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究.pdf

1、由于醫(yī)學(xué)圖像背景復(fù)雜、信噪比低和無統(tǒng)一的衡量標(biāo)準(zhǔn)等問題導(dǎo)致醫(yī)學(xué)圖像分割問題一直是一個(gè)難點(diǎn)。如何選取一種分類準(zhǔn)確性高且時(shí)間開銷小的算法分割醫(yī)學(xué)圖像是一個(gè)值得思考的問題。
　　粒子群算法作為一種隨機(jī)搜索算法，具有收斂速度快，隨機(jī)搜索能力強(qiáng)的優(yōu)點(diǎn)，但是不適合用來解決復(fù)雜的多維映射問題。神經(jīng)網(wǎng)絡(luò)作為一種復(fù)雜網(wǎng)絡(luò)模型能夠處理各類復(fù)雜的數(shù)學(xué)映射問題，且具有不錯(cuò)的泛化性能，但算法的效率不高，且具有過擬合的問題。
　　在以上思想的背景下，本

2、文的主要研究內(nèi)容如下：
　　1.基本粒子群算法具有易于實(shí)現(xiàn)和搜索效率高的優(yōu)點(diǎn)，但是同時(shí)也存在容易陷入局部最優(yōu)的問題，本文通過分析基本PSO易陷入局部最優(yōu)的原因，采取以粒子群體個(gè)體極值和全局極值隨迭代過程中停止變化的步數(shù)（0T和Tg）作為依據(jù)對個(gè)體極值和全局極值進(jìn)行多梯度隨機(jī)擾動(dòng)調(diào)節(jié)的方法（RPSO）增加算法隨機(jī)搜索性能和擴(kuò)展搜索空間能力，并通過優(yōu)化復(fù)雜多維函數(shù)實(shí)驗(yàn)說明改進(jìn)后算法的尋優(yōu)性能和效率。
　　2.本文介紹了極限學(xué)習(xí)機(jī)

3、算法（ELM）基本思想，說明ELM訓(xùn)練和分類的原理，同時(shí)分析了ELM具有的學(xué)習(xí)速度快和網(wǎng)絡(luò)映射復(fù)雜問題能力強(qiáng)的優(yōu)點(diǎn)，然后通過綜合RPSO和ELM各自的優(yōu)點(diǎn)提出了RPSO-ELM算法。RPSO-ELM算法利用RPSO良好的多維空間隨機(jī)搜索能力對ELM模型的輸入權(quán)重和隱藏層偏置bi進(jìn)行尋優(yōu)，以建立最優(yōu)ELM模型提高ELM的泛化和分類性能。
　　3.本文通過預(yù)處理和特征提取等操作創(chuàng)建樣本集，然后將樣本集輸入RPSO-ELM進(jìn)行分類實(shí)驗(yàn)，