深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，通過(guò)學(xué)習(xí)樣本數(shù)據(jù)內(nèi)在規(guī)律和表示層次，表現(xiàn)出較好的智能行為。粒計(jì)算是新興的、多學(xué)科交叉的研究領(lǐng)域，是當(dāng)前計(jì)算智能領(lǐng)域中模擬人類(lèi)思維和解決復(fù)雜問(wèn)題的算法。本書(shū)旨在為廣大學(xué)者和科研工作者提供不確定深度學(xué)習(xí)與多粒度知識(shí)發(fā)現(xiàn)領(lǐng)域的基礎(chǔ)理論、模型和算法。本書(shū)內(nèi)容主要包括粒計(jì)算基礎(chǔ)概念和基礎(chǔ)知識(shí)、基于粒計(jì)算的深度學(xué)習(xí)理論、基于粒計(jì)算的大數(shù)據(jù)知識(shí)發(fā)現(xiàn)模型與方法、基于多粒度理論的不確定性醫(yī)學(xué)圖像分割方法、多粒度深度學(xué)習(xí)模型及其可解釋性等理論體系。
(1) 2010-04 至 2013-12, 南京航空航天大學(xué) , 計(jì)算機(jī)應(yīng)用技術(shù), 博士
(2) 2002-09 至 2005-06, 蘇州大學(xué), 軟件工程, 碩士
(3) 1998-09 至 2002-07, 南通大學(xué), 計(jì)算機(jī)科學(xué)與技術(shù), 學(xué)士(1) 2020-07 至 今, 南通大學(xué), 信息科學(xué)技術(shù)學(xué)院, 教授
(2) 2018-04 至 2020-06, 南通大學(xué), 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院/信息科學(xué)技術(shù)學(xué)院, 副教授
(3) 2017-07 至 2018-03, 澳大利亞悉尼科技大學(xué), 軟件學(xué)院, 副教授
(4) 2016-09 至 2017-06, 南通大學(xué), 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 副教授人工智能、機(jī)器學(xué)習(xí)作為通訊作者、第一作者發(fā)表論文 167 篇，其中：
（1）SCI檢索 128 篇，影響因子 總IF:590，最高IF:18.6 ，Q區(qū) Q1區(qū):78篇 ；[1] 中國(guó)計(jì)算機(jī)學(xué)會(huì)人工智能與模式識(shí)別專(zhuān)委會(huì)執(zhí)行委員
[2] 中國(guó)人工智能學(xué)會(huì)粒計(jì)算與知識(shí)發(fā)現(xiàn)專(zhuān)委會(huì)常委
[3] 中國(guó)人工智能學(xué)會(huì)智能服務(wù)專(zhuān)委會(huì)委員
[4] 江蘇省計(jì)算機(jī)學(xué)會(huì)常務(wù)理事
目錄
前言
第1章 緒論 1
1.1 大數(shù)據(jù)及其挖掘技術(shù) 1
1.2 粒計(jì)算理論 2
1.3深度學(xué)習(xí)技術(shù) 3
1.4 基于粒計(jì)算的圖像處理技術(shù) 7
參考文獻(xiàn) 8
第2章 粒計(jì)算模型與算法 12
2.1 粒計(jì)算模型 12
2.1.1 粗糙集模型 12
2.1.2 模糊集理論 13
2.1.3 粒球模型 13
2.1.4 三支決策 15
2.2 面向復(fù)雜數(shù)據(jù)的擴(kuò)展粗糙集模型 17
2.2.1 鄰域粗糙集模型 17
2.2.2 決策粗糙集模型 18
2.2.3 鄰域決策粗糙集模型 18
2.2.4 局部鄰域決策粗糙集模型 19
2.3 基于鄰域粗糙集的屬性約簡(jiǎn)算法 20
2.3.1 基于鄰域依賴(lài)度的屬性約簡(jiǎn)算法 20
2.3.2 基于鄰域熵的屬性約簡(jiǎn)算法 21
2.3.3 基于鄰域決策錯(cuò)誤率的屬性約簡(jiǎn)算法 23
參考文獻(xiàn) 24
第3章 基于粗糙集和三支決策的U-Net模型及應(yīng)用 26
3.1 深度學(xué)習(xí)理論 26
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的基本模塊 26
3.1.2 常用損失函數(shù) 28
3.1.3 隨機(jī)梯度下降算法 29
3.2 注意力機(jī)制 30
3.2.1 空間注意力機(jī)制 30
3.2.2 通道注意力機(jī)制 31
3.3 基于粗糙集的U-Net模型 32
3.3.1 粗糙神經(jīng)元 32
3.3.2 粗糙通道注意力機(jī)制 33
3.3.3 基于粗糙通道注意力機(jī)制的U-Net模型 35
3.4 基于三支決策算法的U-Net模型 37
3.4.1 腐蝕算子和膨脹算子 39
3.4.2 不確定性描述 39
3.4.3 三支損失函數(shù) 42
3.4.4 基于三支損失函數(shù)的U-Net模型 43
3.5 視網(wǎng)膜血管圖像分割應(yīng)用 45
3.5.1 數(shù)據(jù)集介紹 45
3.5.2 圖像預(yù)處理 47
3.5.3 分割評(píng)價(jià)指標(biāo) 48
3.5.4 基于粗糙通道注意力的U-Net視網(wǎng)膜血管分割 50
3.5.5 基于三支損失函數(shù)的U-Net視網(wǎng)膜血管分割 59
參考文獻(xiàn) 65
第4章 基于進(jìn)化算法的聚類(lèi)粒計(jì)算眼底圖像建模方法 67
4.1 眼底圖像研究背景和現(xiàn)狀 67
4.2 多種群遺傳算法 70
4.3 超像素算法 71
4.4 基于衍生多種群遺傳進(jìn)化的FCM算法 73
4.4.1 模糊C均值聚類(lèi)算法 73
4.4.2 衍生多種群遺傳算法 75
4.4.3 基于衍生多種群遺傳進(jìn)化的DFCM算法 77
4.5 基于Spark平臺(tái)的超像素DFCM加速聚類(lèi)算法 79
4.5.1 超像素加速聚類(lèi)算法 79
4.5.2 基于Spark平臺(tái)的加速算法 81
4.6 眼底圖像聚類(lèi)實(shí)驗(yàn)分析 86
4.6.1 基于DFCM算法的眼底圖像實(shí)驗(yàn)分析 86
4.6.2 基于加速聚類(lèi)算法的眼底圖像處理實(shí)驗(yàn)分析 92
參考文獻(xiàn) 95
第5章 基于粒計(jì)算的高效特征選擇方法 98
5.1 稀疏雙向粒度模型 100
5.1.1 稀疏約束粒度模型 100
5.1.2 雙向信息策略的應(yīng)用 100
5.2 基于稀疏雙向粒度的啟發(fā)式特征選擇算法 101
5.2.1 稀疏雙向粗糙集模型 101
5.2.2 非單調(diào)啟發(fā)式特征選擇算法 101
5.3 屬性樹(shù)的構(gòu)造及約簡(jiǎn)算法 104
5.3.1 原始數(shù)據(jù)并行預(yù)處理算法 106
5.3.2 基于屬性樹(shù)的增量式屬性約簡(jiǎn)算法 107
5.3.3 并行化增量式動(dòng)態(tài)屬性約簡(jiǎn)算法 111
5.4 算法驗(yàn)證與分析 112
5.4.1 基于稀疏雙向粒度模型實(shí)驗(yàn)結(jié)果與分析 112
5.4.2 基于屬性樹(shù)的并行化增量式動(dòng)態(tài)特征選擇算法實(shí)驗(yàn)結(jié)果與分析 116
參考文獻(xiàn) 122
第6章 基于鄰域的大數(shù)據(jù)證據(jù)分類(lèi)算法 126
6.1 Dempster-Shafer 證據(jù)理論 126
6.1.1 D-S證據(jù)理論的基本概念 126
6.1.2 D-S組合規(guī)則 127
6.2 融合證據(jù)信息的鄰域決策分類(lèi)算法 127
6.2.1 證據(jù)信息的融合算法 127
6.2.2 基于鄰域證據(jù)決策錯(cuò)誤率的屬性約簡(jiǎn)算法 129
6.2.3 證據(jù)鄰域分類(lèi)算法 131
6.3 基于粗糙證據(jù)組合的粒球模型及其鄰域分類(lèi)算法 132
6.3.1 基于粗糙證據(jù)組合的粒球計(jì)算模型 132
6.3.2 基于粗糙證據(jù)粒球的屬性約簡(jiǎn)算法 135
6.3.3 粗糙證據(jù)粒球鄰域分類(lèi)算法 137
6.4 基于Spark的大數(shù)據(jù)并行鄰域分類(lèi)算法及實(shí)現(xiàn) 139
6.4.1 大數(shù)據(jù)框架介紹 139
6.4.2 屬性約簡(jiǎn)算法的并行化分析 142
6.4.3 鄰域分類(lèi)算法的并行化分析 145
6.4.4 基于粗糙證據(jù)粒球的Spark并行屬性約簡(jiǎn)算法 145
6.4.5 Spark并行化的粗糙證據(jù)粒球鄰域分類(lèi)算法 147
6.5 算法驗(yàn)證與分析 150
6.5.1 基于鄰域證據(jù)算法實(shí)驗(yàn)結(jié)果與分析 151
6.5.2 基于粗糙證據(jù)粒球算法實(shí)驗(yàn)結(jié)果與分析 159
6.5.3 并行化算法實(shí)驗(yàn)結(jié)果與分析 166
6.5.4 大規(guī)模數(shù)據(jù)集相關(guān)指標(biāo)比較 168
參考文獻(xiàn) 171
第7章 基于模糊融合的Transformer-CNN不確定性醫(yī)學(xué)圖像分割模型 173
7.1 基礎(chǔ)知識(shí) 175
7.1.1 CNN與Transformer 175
7.1.2 特征融合 176
7.1.3 模糊測(cè)度和模糊積分 177
7.2 FTransCNN模型 177
7.2.1 Transformer 分支 178
7.2.2 CNN 分支 179
7.2.3 模糊融合模塊 179
7.2.4 模糊注意力融合模塊 181
7.2.5 損失函數(shù) 182
7.3 實(shí)驗(yàn)結(jié)果與分析 183
7.3.1 實(shí)驗(yàn)設(shè)置 184
7.3.2 實(shí)驗(yàn)評(píng)估指標(biāo) 184
7.3.3 針對(duì)不同數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析 185
7.3.4 消融實(shí)驗(yàn) 189
參考文獻(xiàn) 190
第8章 MGRW-Transformer：多粒度隨機(jī)游走可解釋性Transformer模型 193
8.1 基礎(chǔ)知識(shí) 193
8.1.1 梯度反向傳播法 193
8.1.2 顯著性映射法 194
8.1.3 擾動(dòng)遮擋法 195
8.1.4 注意力法 195
8.2 多粒度隨機(jī)游走可解釋性Transformer模型 195
8.2.1 Transformer分類(lèi)熱圖可視化 196
8.2.2 多粒度隨機(jī)游走 199
8.3 可解釋性實(shí)驗(yàn)分析 204
8.3.1 實(shí)驗(yàn)數(shù)據(jù)集 205
8.3.2 實(shí)驗(yàn)評(píng)估指標(biāo) 205
8.3.3 實(shí)驗(yàn)結(jié)果與分析 206
參考文獻(xiàn) 213
彩圖
新書(shū)資訊