目的:运用强化学习!多分类器集成!降维方法等最新计算机技术,结合细胞病理知识,设计制作/智能化肺癌细胞病理图像诊断系统0"方法:采集细胞图像,运用基于强化学习的图像分割法将细胞区域从背景中分离出来 运用基于样条和改进2方法对重叠细胞进行分离和重构 提取40个细胞特征用于贝叶斯!支持向量机!紧邻和决策树4种分类器,集成产生肺癌细胞分类结果 建立肺癌细胞病理图库,运用基于等降维方法对细胞进行比对,给予未定型癌细胞分类"结果:/智能化肺癌细胞病理诊断系统0应用于临床随机1200例肺

浅层海洋环境由信源组成声源，海洋形成信道，和水听器阵列组成接收器。在这个传播模型中，信源，信道和接收信号这三者，通常能知二求一，具体应用诸如利用海洋环境参数和接收到的信号来定位声源，或者通过计算发射信号和接收信号之间的差异，反演海洋环境参数。 而在接收器方面，我们通过设置各向同性的水听器阵列。通过算法和处理器，我们便能量化模型，传统是处理器主要基于接收信号是高斯信号，而海洋中存在着大量的有色噪声。本课题的研究目的便是在前人的基础上，在海洋声层析成像的背景下，在信源与接收器阵列之间，引入信号的高阶

基于高斯分布的CFAR检测算法(双参数CFAR检测)，输入一个确定的虚警概率，在满足一定虚警率的情况下对图像进行分割，实现目标与背景的分离。(The CFAR detection algorithm based on Gauss distribution (two-parameter CFAR detection) inputs a certain false alarm probability, and segmentes the image to achieve the separation

本文以k-means算法为背景，引入信息熵相关知识，从而实现全自动分割图像。然而在利用混合高斯模型对图像进行数据分析时，会发生一定的过拟合现象，导致我们得不到预期的聚类数目。本文设计合理的合并准则，令模型简化，有效地消除过拟合现象，使得最后得到的聚类数目与预期符合。，设计合理的准则改进了图像的全自动分割方法，使得分割结果更加优化(In this paper, k-means algorithm is used as the background, and information entropy