基于新型神经网络模型的图像挖掘及其在贺兰山岩画研究中的应用

Images are everywhere in this information society. How to extract the useful information from vast amounts of image data is become one of the pressing problems facing humanity. As we know, the design and analysis of big data computing model and algorithm is the core of the technology of data. This project will intends to surrounding image data mining and its application in Rock Arts of Helan mountain based on artificial neural network method, and will combine with artificial neural network modeling and data mining algorithm to research the new way of thinking and the new algorithm of image mining. The main researches include: On the basis of system research of the theory and application about the existing image mining models and algorithms, the new types of convolution neural network and wavelet neural network models and correponding algorithms based on deep learning and rough set are constructed respectively. We first strive to make the models and corresponding algorithms are simple. In some sense, accuracy can be made upfrom the large-scale of data, and also need to maintain the complexity (under big data) balanced. We give full play to the powerful, dynamic and intelligent classification, recognition and optimization function of the artificial neural network in order to solve the problem of variable attribute partition and measurement in modeling and application. Using distributed computing and parallel technique produced by deep learning and rough set to decompose data sets in order to realize the calculation process of the decomposition and assembly. In ensuring the overall properties of massive image data has been applied, the dependent relationship among the mining capacity of the model , the structural parameters of model, and the image data quality are characterized. Finally, we will use the new models and corresponding algorithms constructed above to resolve the problems of image mining on Rock Arts of Helan mountain.

信息社会，图像无处不在。如何从海量的图像数据中提取有用信息，成为人类面临的迫切问题之一。本项目拟围绕基于人工神经网络的图像挖掘及其在贺兰山岩画研究中的应用开展研究，结合人工神经网络建模优势和数据挖掘算法长处探究图像挖掘的新思路。主要研究内容包括: 在系统研究已有相关知识的基础上，分别构造基于深度学习与粗糙集的新型卷积神经网络及小波神经网络框架模型及算法，力求模型及算法简单至上、精确性可在一定意义上从数据量的“大”上得到弥补、保持复杂性的均衡；充分发挥神经网络强大的、动态的、智能性的分类、识别与优化功能，以解决建模与应用中存在的变量属性划分及计量问题；运用深度学习与粗糙集方法以产生分布式计算兼容并行技术来分解数据集以实现计算过程的分解与组装；在保证海量图像数据整体性质得到应用的基础上，刻画出该模型挖掘能力与模型结构参数、图像质量间的内在关系；利用新构模型及算法实现对贺兰山岩画图像的有效挖掘。

信息社会，图像无处不在。如何从海量的图像数据及文本数据中提取有用的信息，成为人类面临的迫切问题之一。本项目基本按照申请书原订计划，针对基于新型神经网络模型的图像挖掘及其在贺兰山岩画研究中的应用问题进行了较系统的研究。主要工作如下：1. 在系统研究已有的关于图像挖掘模型理论及应用的基础上，充分发挥人工神经网络强大的、动态的、智能性的分类、识别与优化功能，以解决建模与应用中存在的变量属性划分及计量问题，分别构造基于深度学习与粗糙集的新型卷积神经网络及小波神经网络框架模型及算法。新模型和算法的优点是在图像挖掘产生的回溯过程中可利用前面所有步骤或者后面相邻步骤己经分析发现的模式与知识，并且用户可以通过图像样本训练和交互式学习与整个框架模型产生互动，随时对现有领域知识进行补充和学习。2. 训练并检验新构模型及算法的有效性。将新构的两类模型及算法在乳腺X光图像MIAS数据集、海量图像数据集、华盛顿大学图像数据集及新加坡国立大学媒体检索实验室公布数据集上加以训练验证，并与已有的CNN模型和WNN模型加以比较。3. 利用隐层神经元个数、网络连接方式、激活函数的性能、网络的连接权值及阀值等作为模型结构参数，利用灰度特征、统计特征、纹理特征、代数特征、突变特征、破损特征、病灶特征、峰度特征、稀疏特征及规则特征等作为刻画图像质量的依据，来揭示新构框架模型及算法的内在关系。4. 尝试将新构模型及算法应用在贺兰山岩画的预处理、变换、特征提取、数据挖掘、解释及知识获取等过程中，从而更好的服务于贺兰山岩画的研究、管理、合理开发和利用。研究结果在国内外高质量学术期刊上发表及录用论文21篇，另有部分论文仍在修改、审稿或整理阶段。参加了6次神经网络及交叉学科方面的国际学术会议（线上2次），以本项目内容做选题，指导7名硕士研究生完成了硕士学位论文，招收了2名博士一年级学生。