欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025114167484
申请人: 江西农业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种图像噪声标记特征选择方法,其特征在于,包括:

S1:获取待处理的图像噪声标记数据集,其中,所述图像噪声标记数据集中同时含有特征空间和标记空间;

S2:采用自适应多核融合与动态参数优化机制,将所述图像噪声标记数据集中的样本集嵌入多粒度模糊簇群,以构建动态模糊隶属度评估矩阵,确定量化样本-聚类和样本-类别之间的多维模糊映射关系;

S3:基于全域谱特征映射机制,构建出宏观粗粒度粒球骨架,对标记同构性不足或结构熵超过阈值的粒球,融入质量度量模型进行联合评估,并通过递进式自组织裂变算法,动态演化出多层级高精度子粒球簇;

S4:在各精细粒球内部,融合权重驱动的粒球计算与模糊推理,依据样本-粒球中心距离自动分配权重,并构建类别-聚类耦合关联矩阵,通过模糊合成运算,将簇群隶属度优化为类别隶属度,最终获得高辨识度的标记分布;

S5:构建基于粒球拓扑驱动的粗糙感知特征评估框架,以粒球几何特性定义自适应邻域,动态划分内聚且互不重叠的局部邻域,结合粗糙集上、下近似及扩展正域模型,提取决策等价类,基于依赖度量化模型,融合多粒球决策边界信息,确定度量各特征对决策系统的贡献度;

S6:引入粒球结构一致性验证机制,从结构保持性维度,衡量特征在粒球局部域内的表达稳定性,并通过依赖性和一致性对特征的重要性进行多层次评估。

2.根据权利要求1所述的图像噪声标记特征选择方法,其特征在于,所述步骤S1包括:利用ResNet对给定图像噪声标记数据进行特征提取,获得具有个样本的数据集,其中,表示第个样本的特征向量,表示第个样本的候选标记集合,对于中的每个候选标记元素,当时,表示第个标记为第个样本的候选标记;当时,则表示第个标记与第个样本无关。

3.根据权利要求2所述的图像噪声标记特征选择方法,其特征在于,在步骤S2中采用随机扰动初始化与非确定性探索策略相结合的方式对所述图像噪声标记数据集中的样本集合进行初步分区,所述步骤S2包括:S21:在多核框架下,为每个核函数赋予动态权重,目标函数中引入熵正则化项以约束权重分配:;

其中,表示多核模糊聚类的整体目标函数,用于同时优化聚类质量和核权重分配的合理性,其中,表示隶属度矩阵,表示聚类中心矩阵,表示核权重分配向量;代表预设的聚类簇数量;为数据集中样本总数;表示多核框架中核函数的总个数;在模糊聚类过程中,表示第个样本对第个聚类的模糊隶属度,介于0和1之间,且满足归一化约束条件,为模糊化指数,取值大于1,用于控制聚类边界的模糊程度;在多核映射机制中,代表第个核函数的动态权重系数,权重满足且的约束条件;表示第个核函数将映射到高维特征空间后得到的特征向量;表示第个聚类在第个核函数诱导的特征空间中的聚类中心;距离项计算样本在特定核空间中与对应聚类中心的欧几里得距离平方,用于衡量样本与聚类中心的相似程度;为正则化参数,用于控制核权重分布的均匀性程度;熵项作为约束项,当核权重分布越均匀时,该项的负值越大;

S22:通过动态调整样本对各聚类的归属程度,确保模糊划分的合理性:;

其中,表示第个聚类在第个核函数诱导的特征空间中的聚类中心;

S23:权重的分配基于当前核函数在聚类中的贡献,正则化参数控制权重分布的均匀性:;

其中,表示第个聚类在第个核函数诱导的特征空间中的聚类中心;

S24:利用隶属度加权的核映射数据均值更新聚类中心,确保算法在特征空间中的可行性:;

S25:更新完成后,计算本次迭代结果与上一轮迭代之间的偏差程度,若偏差小于预设的阈值,则算法终止;否则返回步骤S21重复执行,直至满足停止条件:或;

其中,和分别表示第次迭代生成的隶属度矩阵集合和聚类中心矩阵集合,和分别表示第次迭代生成的隶属度矩阵集合和聚类中心矩阵集合,为预先设定的收敛阈值。

4.根据权利要求3所述的图像噪声标记特征选择方法,其特征在于,所述步骤S3基于全数据谱图信息快速生成初始宏观粒球,对分布复杂或纯度约束违例的粒球,嵌入双模评价机制进行实时筛选,并通过渐进式自组织裂变算法,将其分解为更精细的子粒球簇群,具体步骤包括:S31:将数据集作为初始宏观粒球,在所述数据集上执行二分聚类算法,得到两个初始粒球和,其中,每个粒球中心的计算公式为:;

其中,为粒球内样本的数量;

S32:每个粒球半径的计算公式为:

;

其中,为到粒球中心的欧几里得距离;

S33:检查上述粒球是否达到阈值要求,其中,第个粒球的阈值定义为:;

式中,,其中,表示粒球中的样本数量,为候选标记集合,表示第个样本的候选标记集合;表示粒球的信息熵,用于衡量粒球内部标记的不确定性,其中,表示标记在粒球中出现的概率;通过参数调节纯度和熵的权重比例,当值低于预设阈值时,表明该粒球的标记一致性不足或拓扑结构过于复杂;

若粒球纯度低于预设阈值,则执行二分聚类将其分裂为两个一致性更高的子粒球,递归直至所有粒球纯度达标,最终完成粒球构建。

5.根据权利要求4所述的图像噪声标记特征选择方法,其特征在于,所述步骤S4在各层级粒球内部,根据粒球几何态势,融合多源权重触发的距离度量策略,构建簇-类张量映射框架,实现样本-聚类隶属度向样本-类别隶属度的自适应映射融合,最终输出高度辨识的语义消歧分布,具体步骤包括:S41:构建融合局部几何结构与动态特征重要性的混合距离度量算法,获得样本的权重信息:;

其中,,为动态特征权重函数,为第维特征均值,为灵敏度系数,表示第个样本在第维特征上的取值,为第维特征的参考中心值,为粒球内第维特征的标准差,消除量纲差异影响;函数为双曲正切函数,其值域为[0,1],为调节参数,用于控制密度值到权重映射的平滑程度,为基于近邻的局部密度估计;

S42:在已获得模糊隶属度矩阵和样本权重的基础上,构建类别-聚类关联矩阵:;

矩阵中的元素表示第个标记与第个聚类的关联强度,利用模糊逻辑推理方法,将该关联矩阵与对各聚类的隶属度进行模糊合成运算,从而实现对聚类的隶属度转化为对类别的隶属度。

6.根据权利要求5所述的图像噪声标记特征选择方法,其特征在于,所述步骤S5构建了基于粒球拓扑驱动的粗糙感知特征评估框架,通过粒球计算对标记分布空间进行自适应的决策类划分,并通过粒球邻域粗糙集进行特征依赖度的衡量,具体步骤包括:S51:对于任意,定义其在特征子集下的自适应邻域为:

;

其中,和是粒球的的中心和半径,为特征子集下的距离;

S52:构建动态标记粒级球群集合,通过自适应粒球分裂算法,对真实标记全域进行多尺度非线性空间重构:;

每个表示一个标记粒球,共同覆盖整个标记空间,且各粒球在纯度和覆盖度上达到最优;

S53:在给定的决策系统中,决策属性将样本划分为个决策类,并且利用特征子集生成的粒球集合,定义上下近似集:,;

其中,,通过粒球与决策类的非空交叠关系,确定决策类的覆盖边界;;

通过粒球与决策类的全包含关系,提取决策类的核心支持域;

S54:构建面向图像噪声标记决策系统的扩展正区域依赖度量化模型:;

其中,为既属于又属于中的样本,表示在中但不在中的样本集合,为第个样本到粒球中心的距离,为第个样本到粒球中心的距离;

S55:通过动态多粒度协同特征重要性量化算法,融合粗糙集理论和粒球计算框架,实现特征的精准评估:。

7.根据权利要求6所述的图像噪声标记特征选择方法,其特征在于,所述步骤S6从双模态视角以特征选择的鲁棒性,具体步骤包括:S61:基于粒球内部样本结构一致性的相似度量化算法衡量粒球样本相似度:;

其中,表示粒球集合的基数;

S62:基于附加的特征重要性评价机制,通过测量特征移除前后粒球结构变化程度来量化特征的判别贡献:;

S63:通过构建特征依赖度矩阵与粒球内样本一致性矩阵,采用多源双模态依赖-一致性联合评估特征权重的方法,实现对高维数据中关键特征的精细化量化与排序:。

8.一种图像噪声标记特征选择系统,其特征在于,包括:

数据获取与处理模块,用于获取待处理的图像噪声标记数据集,其中,所述图像噪声标记数据集中同时含有特征空间和标记空间;

模糊聚类动态划分模块,用于采用自适应多核融合与动态参数优化机制,将所述图像噪声标记数据集中的样本集嵌入多粒度模糊簇群,以构建动态模糊隶属度评估矩阵,确定量化样本-聚类和样本-类别之间的多维模糊映射关系;

多尺度粒球层级构建模块,用于基于全域谱特征映射机制,构建出宏观粗粒度粒球骨架,对标记同构性不足或结构熵超过阈值的粒球,融入质量度量模型进行联合评估,并通过递进式自组织裂变算法,动态演化出多层级高精度子粒球簇;

耦合式粒球标记消歧模块,用于在各精细粒球内部,融合权重驱动的粒球计算与模糊推理,依据样本-粒球中心距离自动分配权重,并构建类别-聚类耦合关联矩阵,通过模糊合成运算,将簇群隶属度优化为类别隶属度,最终获得高辨识度的标记分布;

粒球-粗糙集协同特征评估模块,用于构建基于粒球拓扑驱动的粗糙感知特征评估框架,以粒球几何特性定义自适应邻域,动态划分内聚且互不重叠的局部邻域,结合粗糙集上、下近似及扩展正域模型,提取决策等价类,基于依赖度量化模型,融合多粒球决策边界信息,确定度量各特征对决策系统的贡献度;

多粒度特征稳定性验证模块,用于引入粒球结构一致性验证机制,从结构保持性维度,衡量特征在粒球局部域内的表达稳定性,并通过依赖性和一致性对特征的重要性进行多层次评估。

9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任一所述的图像噪声标记特征选择方法。

10.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一所述的图像噪声标记特征选择方法。