10.3321/j.issn:0254-4164.1998.09.009
基于SOM-PNN分类器的体数据概率分类及绘制
概率分类是三维医学体数据绘制必不可少的预处理环节.本文提出的SOM-PNN分类器,以贝叶斯置信度为基础,给出概率分类结果,并用于三维体绘制,得到了良好的图像质量和较高的分类效率.传统的参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据.非参数模型方法,如PNN分类器,可以有效地克服参数模型的缺点,但其巨大的内存开销与低的分类速度使得用PNN作图像分类几乎不可行.SOM具有良好的自组织聚类能力,但无法直接给出概率分类结果.本文提出的SOM-PNN分类器在SOM聚类的基础上,利用PNN进行概率分类,结合了SOM自组织聚类和PNN概率分类的优势,同时克服了传统参数模型分类的局限性.实验结果证实了SOM-PNN分类器具有分类精度高、速度快及揭示细节的能力.
医学体数据分割、自组织映射、概率神经网络、SOM-PNN概率分类器、三维体绘制
21
TP391(计算技术、计算机技术)
国家自然科学基金69775001;国家高技术研究发展计划863计划863-306-04-01-5
2005-08-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
819-824