深度学习是机器学习领域中一个新的研究方向，通过学习样本数据内在规律和表示层次，表现出较好的智能行为。粒计算是新兴的、多学科交叉的研究领域，是当前计算智能领域中模拟人类思维和解决复杂问题的算法。本书旨在为广大学者和科研工作者提供不确定深度学习与多粒度知识发现领域的基础理论、模型和算法。本书内容主要包括粒计算基础概念和基础知识、基于粒计算的深度学习理论、基于粒计算的大数据知识发现模型与方法、基于多粒度理论的不确定性医学图像分割方法、多粒度深度学习模型及其可解释性等理论体系。
更多科学出版社服务，请扫码获取。
(1) 2010-04 至 2013-12, 南京航空航天大学 , 计算机应用技术, 博士
(2) 2002-09 至 2005-06, 苏州大学, 软件工程, 硕士
(3) 1998-09 至 2002-07, 南通大学, 计算机科学与技术, 学士(1) 2020-07 至 今, 南通大学, 信息科学技术学院, 教授
(2) 2018-04 至 2020-06, 南通大学, 计算机科学与技术学院/信息科学技术学院, 副教授
(3) 2017-07 至 2018-03, 澳大利亚悉尼科技大学, 软件学院, 副教授
(4) 2016-09 至 2017-06, 南通大学, 计算机科学与技术学院, 副教授人工智能、机器学习作为通讯作者、第一作者发表论文 167 篇，其中：
（1）SCI检索 128 篇，影响因子 总IF:590，最高IF:18.6 ，Q区 Q1区:78篇 ；[1] 中国计算机学会人工智能与模式识别专委会执行委员
[2] 中国人工智能学会粒计算与知识发现专委会常委
[3] 中国人工智能学会智能服务专委会委员
[4] 江苏省计算机学会常务理事
目录
前言
第1章 绪论 1
1.1 大数据及其挖掘技术 1
1.2 粒计算理论 2
1.3深度学习技术 3
1.4 基于粒计算的图像处理技术 7
参考文献 8
第2章 粒计算模型与算法 12
2.1 粒计算模型 12
2.1.1 粗糙集模型 12
2.1.2 模糊集理论 13
2.1.3 粒球模型 13
2.1.4 三支决策 15
2.2 面向复杂数据的扩展粗糙集模型 17
2.2.1 邻域粗糙集模型 17
2.2.2 决策粗糙集模型 18
2.2.3 邻域决策粗糙集模型 18
2.2.4 局部邻域决策粗糙集模型 19
2.3 基于邻域粗糙集的属性约简算法 20
2.3.1 基于邻域依赖度的属性约简算法 20
2.3.2 基于邻域熵的属性约简算法 21
2.3.3 基于邻域决策错误率的属性约简算法 23
参考文献 24
第3章 基于粗糙集和三支决策的U-Net模型及应用 26
3.1 深度学习理论 26
3.1.1 卷积神经网络的基本模块 26
3.1.2 常用损失函数 28
3.1.3 随机梯度下降算法 29
3.2 注意力机制 30
3.2.1 空间注意力机制 30
3.2.2 通道注意力机制 31
3.3 基于粗糙集的U-Net模型 32
3.3.1 粗糙神经元 32
3.3.2 粗糙通道注意力机制 33
3.3.3 基于粗糙通道注意力机制的U-Net模型 35
3.4 基于三支决策算法的U-Net模型 37
3.4.1 腐蚀算子和膨胀算子 39
3.4.2 不确定性描述 39
3.4.3 三支损失函数 42
3.4.4 基于三支损失函数的U-Net模型 43
3.5 视网膜血管图像分割应用 45
3.5.1 数据集介绍 45
3.5.2 图像预处理 47
3.5.3 分割评价指标 48
3.5.4 基于粗糙通道注意力的U-Net视网膜血管分割 50
3.5.5 基于三支损失函数的U-Net视网膜血管分割 59
参考文献 65
第4章 基于进化算法的聚类粒计算眼底图像建模方法 67
4.1 眼底图像研究背景和现状 67
4.2 多种群遗传算法 70
4.3 超像素算法 71
4.4 基于衍生多种群遗传进化的FCM算法 73
4.4.1 模糊C均值聚类算法 73
4.4.2 衍生多种群遗传算法 75
4.4.3 基于衍生多种群遗传进化的DFCM算法 77
4.5 基于Spark平台的超像素DFCM加速聚类算法 79
4.5.1 超像素加速聚类算法 79
4.5.2 基于Spark平台的加速算法 81
4.6 眼底图像聚类实验分析 86
4.6.1 基于DFCM算法的眼底图像实验分析 86
4.6.2 基于加速聚类算法的眼底图像处理实验分析 92
参考文献 95
第5章 基于粒计算的高效特征选择方法 98
5.1 稀疏双向粒度模型 100
5.1.1 稀疏约束粒度模型 100
5.1.2 双向信息策略的应用 100
5.2 基于稀疏双向粒度的启发式特征选择算法 101
5.2.1 稀疏双向粗糙集模型 101
5.2.2 非单调启发式特征选择算法 101
5.3 属性树的构造及约简算法 104
5.3.1 原始数据并行预处理算法 106
5.3.2 基于属性树的增量式属性约简算法 107
5.3.3 并行化增量式动态属性约简算法 111
5.4 算法验证与分析 112
5.4.1 基于稀疏双向粒度模型实验结果与分析 112
5.4.2 基于属性树的并行化增量式动态特征选择算法实验结果与分析 116
参考文献 122
第6章 基于邻域的大数据证据分类算法 126
6.1 Dempster-Shafer 证据理论 126
6.1.1 D-S证据理论的基本概念 126
6.1.2 D-S组合规则 127
6.2 融合证据信息的邻域决策分类算法 127
6.2.1 证据信息的融合算法 127
6.2.2 基于邻域证据决策错误率的属性约简算法 129
6.2.3 证据邻域分类算法 131
6.3 基于粗糙证据组合的粒球模型及其邻域分类算法 132
6.3.1 基于粗糙证据组合的粒球计算模型 132
6.3.2 基于粗糙证据粒球的属性约简算法 135
6.3.3 粗糙证据粒球邻域分类算法 137
6.4 基于Spark的大数据并行邻域分类算法及实现 139
6.4.1 大数据框架介绍 139
6.4.2 属性约简算法的并行化分析 142
6.4.3 邻域分类算法的并行化分析 145
6.4.4 基于粗糙证据粒球的Spark并行属性约简算法 145
6.4.5 Spark并行化的粗糙证据粒球邻域分类算法 147
6.5 算法验证与分析 150
6.5.1 基于邻域证据算法实验结果与分析 151
6.5.2 基于粗糙证据粒球算法实验结果与分析 159
6.5.3 并行化算法实验结果与分析 166
6.5.4 大规模数据集相关指标比较 168
参考文献 171
第7章 基于模糊融合的Transformer-CNN不确定性医学图像分割模型 173
7.1 基础知识 175
7.1.1 CNN与Transformer 175
7.1.2 特征融合 176
7.1.3 模糊测度和模糊积分 177
7.2 FTransCNN模型 177
7.2.1 Transformer 分支 178
7.2.2 CNN 分支 179
7.2.3 模糊融合模块 179
7.2.4 模糊注意力融合模块 181
7.2.5 损失函数 182
7.3 实验结果与分析 183
7.3.1 实验设置 184
7.3.2 实验评估指标 184
7.3.3 针对不同数据集的实验结果与分析 185
7.3.4 消融实验 189
参考文献 190
第8章 MGRW-Transformer：多粒度随机游走可解释性Transformer模型 193
8.1 基础知识 193
8.1.1 梯度反向传播法 193
8.1.2 显著性映射法 194
8.1.3 扰动遮挡法 195
8.1.4 注意力法 195
8.2 多粒度随机游走可解释性Transformer模型 195
8.2.1 Transformer分类热图可视化 196
8.2.2 多粒度随机游走 199
8.3 可解释性实验分析 204
8.3.1 实验数据集 205
8.3.2 实验评估指标 205
8.3.3 实验结果与分析 206
参考文献 213
彩图
书单推荐
