Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Fuzzy Support Vector Machine

Sortuj według:

Ogranicz wyniki do:

A novel approach for automatic detection and classification of suspicious lesions in breast ultrasound images

Karimi B., Krzyżak A.

Journal of Artificial Intelligence and Soft Computing Research

2013

Vol. 3, No. 4

265--276

In this research, a new method for automatic detection and classification of suspected breast cancer lesions using ultrasound images is proposed. In this fully automated method, de-noising using fuzzy logic and correlation among ultrasound images taken from different angles is used. Feature selection using combination of sequential backward search, sequential forward search and distance-based methods is obtained. A new segmentation method based on automatic selection of seed points and region growing is proposed and classification of lesions into two malignant and benign classes using combination of AdaBoost, Artificial Neural Network and Fuzzy Support Vector Machine classifiers and majority voting is implemented.

Fuzzy support vector machines based on density estimation with Gaussian mixture for multiclass problems

Martyna J.

Studia Informatica

2009

Vol. 30, nr 2A

309-316

In this paper, we introduce new Fuzzy Support Vector Machines (FSVMs) for a multiclass classification. The suggested Fuzzy Support Vector Machines include the data distribution with the density estimated in a set of functions defined as Gaussian mixture. The proposed method gives more appropriate boundaries than the classical FSVM method. We demonstrate some examples which confirm our approach.

W pracy przedstawiono matematyczny model, jakim jest Fuzzy Support Vector Machine (FSVM), czyli rozmyta maszyna wektorów podpierających. Wprowadzono w nim estymację gęstości opartą na zbiorze funkcji definiowanych jako mieszanka funkcji gaussowskich. Zaproponowana metoda dostarcza lepszych ograniczeń niż dotychczas stosowany model FSVM. Demonstrujemy kilka przykładów, które potwierdzają opisywane podejście.