深度學習是機器學習領域中一個新的研究方向，通過學習樣本數據內在規律和表示層次，表現出較好的智能行為。粒計算是新興的、多學科交叉的研究領域，是當前計算智能領域中模擬人類思維和解決復雜問題的算法。本書旨在為廣大學者和科研工作者提供不確定深度學習與多粒度知識發現領域的基礎理論、模型和算法。本書內容主要包括粒計算基礎概念和基礎知識、基于粒計算的深度學習理論、基于粒計算的大數據知識發現模型與方法、基于多粒度理論的不確定性醫學圖像分割方法、多粒度深度學習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 , 計算機應用技術, 博士
(2) 2002-09 至 2005-06, 蘇州大學, 軟件工程, 碩士
(3) 1998-09 至 2002-07, 南通大學, 計算機科學與技術, 學士(1) 2020-07 至 今, 南通大學, 信息科學技術學院, 教授
(2) 2018-04 至 2020-06, 南通大學, 計算機科學與技術學院/信息科學技術學院, 副教授
(3) 2017-07 至 2018-03, 澳大利亞悉尼科技大學, 軟件學院, 副教授
(4) 2016-09 至 2017-06, 南通大學, 計算機科學與技術學院, 副教授人工智能、機器學習作為通訊作者、第一作者發表論文 167 篇，其中：
（1）SCI檢索 128 篇，影響因子 總IF:590，最高IF:18.6 ，Q區 Q1區:78篇 ；[1] 中國計算機學會人工智能與模式識別專委會執行委員
[2] 中國人工智能學會粒計算與知識發現專委會常委
[3] 中國人工智能學會智能服務專委會委員
[4] 江蘇省計算機學會常務理事
目錄
前言
第1章 緒論 1
1.1 大數據及其挖掘技術 1
1.2 粒計算理論 2
1.3深度學習技術 3
1.4 基于粒計算的圖像處理技術 7
參考文獻 8
第2章 粒計算模型與算法 12
2.1 粒計算模型 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 面向復雜數據的擴展粗糙集模型 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算法 20
2.3.1 基于鄰域依賴度的屬性約簡算法 20
2.3.2 基于鄰域熵的屬性約簡算法 21
2.3.3 基于鄰域決策錯誤率的屬性約簡算法 23
參考文獻 24
第3章 基于粗糙集和三支決策的U-Net模型及應用 26
3.1 深度學習理論 26
3.1.1 卷積神經網絡的基本模塊 26
3.1.2 常用損失函數 28
3.1.3 隨機梯度下降算法 29
3.2 注意力機制 30
3.2.1 空間注意力機制 30
3.2.2 通道注意力機制 31
3.3 基于粗糙集的U-Net模型 32
3.3.1 粗糙神經元 32
3.3.2 粗糙通道注意力機制 33
3.3.3 基于粗糙通道注意力機制的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 42
3.4.4 基于三支損失函數的U-Net模型 43
3.5 視網膜血管圖像分割應用 45
3.5.1 數據集介紹 45
3.5.2 圖像預處理 47
3.5.3 分割評價指標 48
3.5.4 基于粗糙通道注意力的U-Net視網膜血管分割 50
3.5.5 基于三支損失函數的U-Net視網膜血管分割 59
參考文獻 65
第4章 基于進化算法的聚類粒計算眼底圖像建模方法 67
4.1 眼底圖像研究背景和現狀 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化的FCM算法 73
4.4.1 模糊C均值聚類算法 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化的DFCM算法 77
4.5 基于Spark平臺的超像素DFCM加速聚類算法 79
4.5.1 超像素加速聚類算法 79
4.5.2 基于Spark平臺的加速算法 81
4.6 眼底圖像聚類實驗分析 86
4.6.1 基于DFCM算法的眼底圖像實驗分析 86
4.6.2 基于加速聚類算法的眼底圖像處理實驗分析 92
參考文獻 95
第5章 基于粒計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 雙向信息策略的應用 100
5.2 基于稀疏雙向粒度的啟發式特征選擇算法 101
5.2.1 稀疏雙向粗糙集模型 101
5.2.2 非單調啟發式特征選擇算法 101
5.3 屬性樹的構造及約簡算法 104
5.3.1 原始數據并行預處理算法 106
5.3.2 基于屬性樹的增量式屬性約簡算法 107
5.3.3 并行化增量式動態屬性約簡算法 111
5.4 算法驗證與分析 112
5.4.1 基于稀疏雙向粒度模型實驗結果與分析 112
5.4.2 基于屬性樹的并行化增量式動態特征選擇算法實驗結果與分析 116
參考文獻 122
第6章 基于鄰域的大數據證據分類算法 126
6.1 Dempster-Shafer 證據理論 126
6.1.1 D-S證據理論的基本概念 126
6.1.2 D-S組合規則 127
6.2 融合證據信息的鄰域決策分類算法 127
6.2.1 證據信息的融合算法 127
6.2.2 基于鄰域證據決策錯誤率的屬性約簡算法 129
6.2.3 證據鄰域分類算法 131
6.3 基于粗糙證據組合的粒球模型及其鄰域分類算法 132
6.3.1 基于粗糙證據組合的粒球計算模型 132
6.3.2 基于粗糙證據粒球的屬性約簡算法 135
6.3.3 粗糙證據粒球鄰域分類算法 137
6.4 基于Spark的大數據并行鄰域分類算法及實現 139
6.4.1 大數據框架介紹 139
6.4.2 屬性約簡算法的并行化分析 142
6.4.3 鄰域分類算法的并行化分析 145
6.4.4 基于粗糙證據粒球的Spark并行屬性約簡算法 145
6.4.5 Spark并行化的粗糙證據粒球鄰域分類算法 147
6.5 算法驗證與分析 150
6.5.1 基于鄰域證據算法實驗結果與分析 151
6.5.2 基于粗糙證據粒球算法實驗結果與分析 159
6.5.3 并行化算法實驗結果與分析 166
6.5.4 大規模數據集相關指標比較 168
參考文獻 171
第7章 基于模糊融合的Transformer-CNN不確定性醫學圖像分割模型 173
7.1 基礎知識 175
7.1.1 CNN與Transformer 175
7.1.2 特征融合 176
7.1.3 模糊測度和模糊積分 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 182
7.3 實驗結果與分析 183
7.3.1 實驗設置 184
7.3.2 實驗評估指標 184
7.3.3 針對不同數據集的實驗結果與分析 185
7.3.4 消融實驗 189
參考文獻 190
第8章 MGRW-Transformer：多粒度隨機游走可解釋性Transformer模型 193
8.1 基礎知識 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 擾動遮擋法 195
8.1.4 注意力法 195
8.2 多粒度隨機游走可解釋性Transformer模型 195
8.2.1 Transformer分類熱圖可視化 196
8.2.2 多粒度隨機游走 199
8.3 可解釋性實驗分析 204
8.3.1 實驗數據集 205
8.3.2 實驗評估指標 205
8.3.3 實驗結果與分析 206
參考文獻 213
彩圖
新書資訊