This study proposes a novel learning scheme for the kernel extreme learning machine (KELM) based on the chaotic moth-flame optimization (CMFO) strategy. In the proposed scheme, CMFO simultaneously performs parameter optimization and feature selection. The proposed methodology is rigorously compared to several other competitive KELM models that are based on the original moth-flame optimization, particle swarm optimization, and genetic algorithms. The comparison is made using the medical diagnosis problems of Parkinson's disease and breast cancer. And the proposed method has successfully been applied to practical medical diagnosis cases. The experimental results demonstrate that, compared to the alternative methods, the proposed method offers significantly better classification performance and also obtains a smaller feature subset. Promisingly, the proposed CMFOFS-KELM, can serve as an effective and efficient computer aided tool for medical diagnosis in the field of medical decision making.

Breast cancer is becoming a leading cause of death among women in the whole world, meanwhile, it is confirmed that the early detection and accurate diagnosis of this disease can ensure a long survival of the patients. Expert systems and machine learning techniques are gaining popularity in this field because of the effective classification and high diagnostic capability. In this paper, a rough set (RS) based supporting vector machine classifier (RS_SVM) is proposed for breast cancer diagnosis. In the proposed method (RS_SVM), RS reduction algorithm is employed as a feature selection tool to remove the redundant features and further improve the diagnostic accuracy by SVM. The effectiveness of the RS_SVM is examined on Wisconsin Breast Cancer Dataset (WBCD) using classification accuracy, sensitivity, specificity, confusion matrix and receiver operating characteristic (ROC) curves. Experimental results demonstrate the proposed RS_SVM can not only achieve very high classification accuracy but also detect a combination of five informative features, which can give an important clue to the physicians for breast diagnosis.

The automatic calibration technology of staring infrared imaging component not only improves the accuracy and stability of the infrared component, but also improves the imaging quality and work efficiency of the component, reduces labor costs, and adapts to a variety of application scenarios, which has important practical application value. At present, the manual calibration method used in the production process of the staring infrared imaging component is complex, and the threshold of professional and technical requirements are higher. The operator needs to participate in the whole calibration process and can accurately judge the image quality, and the calibration time is long. Taking the infrared imaging component as the core, this paper studies the theory and method of the infrared imaging component intelligent automatic calibration system model, the intelligent non-uniformity judgment of the component imaging and online detection, and designs and develops a scalable and self-controllable intelligent automatic calibration system for the infrared imaging component parameters. Through experimental verification, the non-uniformity of the image obtained by the calibration method in this paper is less than 2.5‰, and the calibration time of a single component is less than 2 hours, which further shortens the calibration time of the infrared imaging component parameters and improves the production efficiency.

Owning excellent mechanical properties and mild repair conditions simultaneously has always been a paradox in the field of self-healing polysiloxane elastomer research. In this work, a robust polysiloxane elastomer with autonomic self-repairing at r. t. and recyclable properties was firstly designed and synthesized. The double strong H-bonds ensure the strength of the elastomer, while the urea bond with relatively weak bond energy also acts as a sacrifice bond to dissipate energy and further bolster the mechanical properties. Meanwhile the double dynamic bonds located in the side chain with stronger molecular activity ability help to get good self-healing performance. Additionally, the material that can be recycled by crushing/remolding and dissolving/remolding methods without compromising their mechanical robustness and self-repairing properties is environmentally friendly.