1、本文首先闡述了磁共振(MR)腦圖像分類診斷的歷史及發(fā)展現(xiàn)狀，在此基礎(chǔ)上提出了將核支持向量機（SVM）與MR腦圖像早期診斷相結(jié)合的新思路，將模式識別應(yīng)用到實際圖像分類中。SVM具有很好的歸納容錯能力，能夠找到全局最優(yōu)解，在解決圖像分類與模式識別問題中體現(xiàn)出許多優(yōu)勢。在實際應(yīng)用中，如何選取核參數(shù)與懲罰系數(shù)對分類結(jié)果很重要，只有選取合適的參數(shù)，才能得到具有良好推廣能力的SVM分類器。本文對MR腦圖像進行特征提取，并對部分特征進行組合，使得能夠

2、利用少量特征就能對MR腦圖像進行高準確率分類，首先對比了MR腦圖像在多項式(Polynomial)核函數(shù)、線性函數(shù)、徑向基核函數(shù)(RBF)下生成結(jié)果的不同，又采用三種優(yōu)化方法:網(wǎng)格搜索法、用遺傳算法(GA)和粒子群優(yōu)化(PSO)對SVM兩個參數(shù)c與σ進行優(yōu)化，將三種優(yōu)化算法應(yīng)用于MR腦圖像數(shù)據(jù)集的分類中，比較三種優(yōu)化算法的性能，又運用PSO-SVM方法比較不同數(shù)據(jù)集下分類器的性能，最后與機器學習與數(shù)據(jù)挖掘中的部分分類方法進行比較，包括K

3、NN算法、KM算法、模糊神經(jīng)網(wǎng)絡(luò)算法、線性判別分析法。
　　本研究以MR腦圖像中提取出的小波能量（Wavelet Energy）和小波熵（WaveletEntropy）的聯(lián)合特征（簡稱WEWE）為基礎(chǔ)，將部分特征進行組合，尋找最優(yōu)分類且特征數(shù)目最少的特征組合，然后將125例病例樣本隨機分為訓(xùn)練集和測試集，用歸一化后的數(shù)據(jù)用來訓(xùn)練SVM網(wǎng)絡(luò)。通過分類準確率與選取經(jīng)驗，采用RBF核函數(shù)，再使用網(wǎng)格搜索法選擇合適的懲罰參數(shù)c和核參數(shù)σ，

4、用測試集測試該網(wǎng)絡(luò)區(qū)分正常MR腦圖像和非正常MR腦圖像的能力，之后再分別用GA和PSO對參數(shù)進行優(yōu)化，在交叉驗證的條件下實現(xiàn)對各種方法的參數(shù)選擇，將PSO-SVM尋找到最佳參數(shù)建立的分類模型與隨機選擇參數(shù)建立的模型進行對比，最后將各種分類方法的結(jié)果進行對比，其中包括機器學習中的KNN算法、KM算法與模糊神經(jīng)網(wǎng)絡(luò)算法，探尋分類效果最好的方法。通過測試集輸出結(jié)果對比，發(fā)現(xiàn)利用WEWE，結(jié)合粒子群優(yōu)化算法優(yōu)化后的SVM（簡稱PSO-SVM）的