漢語認知腦數(shù)據(jù)挖掘相關(guān)算法及應(yīng)用研究.pdf

1、研究腦、保護腦、開發(fā)腦、創(chuàng)造腦是人類21世紀最大的挑戰(zhàn)之一。隨著人類腦科學研究的深入展開，各種新方法、新技術(shù)的使用產(chǎn)生了大量數(shù)據(jù)。激增的數(shù)據(jù)背后隱藏著許多重要的信息，迫切需要提供一種自動的數(shù)據(jù)分析方法，對數(shù)據(jù)進行更高層次的分析，腦數(shù)據(jù)挖掘成為必然。 該文致力于漢語認知腦數(shù)據(jù)挖掘相關(guān)算法研究。 首先，分別研究粒子群優(yōu)化算法、粗糙集、人工神經(jīng)網(wǎng)絡(luò)的理論與應(yīng)用；然后，結(jié)合腦結(jié)構(gòu)和功能以及漢語認知實驗數(shù)據(jù)特征，研究基于粒子群算法

2、的粗糙集神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法；最后，對腦成像特征增強、特征提取等算法與所研究的數(shù)據(jù)挖掘算法進行集成研究，并將其應(yīng)用于漢語認知神經(jīng)信息學研究中的腦數(shù)據(jù)挖掘。這項研究具有濃重的中國特色和優(yōu)勢，將不僅為漢語認知腦研究提供有效的手段，而且對人工智能的研究具有重要的理論價值。 全文從以下幾個方面展開： 粒子群優(yōu)化算法是簡單個體組成的群落以及個體之間的互動行為模擬搜索全局最優(yōu)解的群智優(yōu)化方法。該文對粒子群優(yōu)化算法的機理及其收斂性進行

3、分析，指出粒子群優(yōu)化算法滿足收斂性的前提下種群多樣性就會減小，粒子將會因速度降低而失去繼續(xù)搜索可行解的能力，粒子群優(yōu)化出現(xiàn)停滯狀態(tài)，這種情況大多導致早熟。為此，提出一種混沌粒子群優(yōu)化算法，該算法滿足收斂性的條件下利用混沌確定性與隨機性的統(tǒng)一、對初始值敏感性、混沌的遍歷性等特點引導粒子群中的粒子搜索，提高種群的多樣性和粒子搜索的遍歷性，將混沌狀態(tài)引入到優(yōu)化變量，使因速度降低而失去搜索可行解能力的粒子引入混沌量后獲得繼續(xù)索的能力，避免粒子搜

4、索過程中容易發(fā)生的早熟、停滯，提高粒子的搜索效率，改善粒子群優(yōu)化的性能。 粗糙集理論知識約簡的復雜度隨著決策表的增大呈指數(shù)增長，許多約簡方法引入啟發(fā)式搜索方法尋找較優(yōu)的約簡，主要通過可辨識矩陣中0和1的個數(shù)進行處理和計數(shù)來實現(xiàn)的，在初始化和迭代的過程需要不斷地檢驗新生成的個體是否存在于解空間(可辨識矩陣)，而且通常傾向于在同一基礎(chǔ)解系中搜索可行解。粗糙集約簡實質(zhì)是找到所含條件屬性最少的條件屬性子集與決策屬性匹配，提出一種基于離散

5、型粒子群優(yōu)化的粗糙集數(shù)據(jù)約簡算法，有效避免約簡過程中算法傾向于在同一基礎(chǔ)解系中搜索可行解的可能性。跟蹤實驗結(jié)果表明，所提出的算法求解粗糙集中的決策表屬性最小相對約簡問題能夠取得好的效果，與基于遺傳算法的約簡方法相比，成功率高、穩(wěn)定性好。 在數(shù)據(jù)挖掘應(yīng)用方面，粗糙理論和神經(jīng)網(wǎng)絡(luò)有很強的優(yōu)勢互補性。結(jié)合腦結(jié)構(gòu)和功能以及漢語認知實驗數(shù)據(jù)特征，研究基于粒子群算法的粗糙集神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法，該方法根據(jù)漢語認知實驗腦數(shù)據(jù)形成的信息表，用粗

6、糙集理論對條件屬性進行相對約簡，通過去掉冗余條件屬性和冗余訓練樣本，得到信息表的最小條件屬性集和核構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并利用混沌粒子群優(yōu)化算法進行學習訓練，提高網(wǎng)絡(luò)的學習效率。 針對腦數(shù)據(jù)分析，在腦成像特征增強、提取等方面也進行研究，提出一種基于泰勒類比展開的腦成像著色算法，該算法針對一幀待著色的目標圖像，用一幀原色圖像作為源圖像，依據(jù)泰勒類比展開的一階信息(亮度直方圖)、二階信息(共存矩陣)及其展開最小余量在圖像對中搜索，在源圖