改進的PSO優(yōu)化ELM算法在醫(yī)學圖像分割中的應用研究.pdf

1、由于醫(yī)學圖像背景復雜、信噪比低和無統(tǒng)一的衡量標準等問題導致醫(yī)學圖像分割問題一直是一個難點。如何選取一種分類準確性高且時間開銷小的算法分割醫(yī)學圖像是一個值得思考的問題。
　　粒子群算法作為一種隨機搜索算法，具有收斂速度快，隨機搜索能力強的優(yōu)點，但是不適合用來解決復雜的多維映射問題。神經網絡作為一種復雜網絡模型能夠處理各類復雜的數(shù)學映射問題，且具有不錯的泛化性能，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、文的主要研究內容如下：
　　1.基本粒子群算法具有易于實現(xiàn)和搜索效率高的優(yōu)點，但是同時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)對個體極值和全局極值進行多梯度隨機擾動調節(jié)的方法（RPSO）增加算法隨機搜索性能和擴展搜索空間能力，并通過優(yōu)化復雜多維函數(shù)實驗說明改進后算法的尋優(yōu)性能和效率。
　　2.本文介紹了極限學習機

3、算法（ELM）基本思想，說明ELM訓練和分類的原理，同時分析了ELM具有的學習速度快和網絡映射復雜問題能力強的優(yōu)點，然后通過綜合RPSO和ELM各自的優(yōu)點提出了RPSO-ELM算法。RPSO-ELM算法利用RPSO良好的多維空間隨機搜索能力對ELM模型的輸入權重和隱藏層偏置bi進行尋優(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進行分類實驗，