半监督条件下的CRC跳频电台指纹特征识别

针对跳频电台指纹特征差异细微、对噪声影响敏感,同时非合作条件下跳频信号的识别训练标签数据不足问题,提出了一种基于合作表征分类器(collaborative representation classifier, CRC)的半监督条件下跳频电台指纹特征识别算法。以跳频电台开机瞬态信号的包络特性作为电台个体的指纹特征,利用对噪声“不敏感”的高阶累积量估计来抑制噪声;通过构造半监督条件下的CRC实现对未标定训练数据的有效利用。实验表明,与传统有监督训练相比,该方法在抑制噪声的同时,能够充分利用未标定训练数据特征,对目标特征具有更高的识别率。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于改进基本图像特征直方图的纹理分类算法

提出了一种改进的基本图像特征(basic image feature, BIF) 直方图纹理分类算法。首先在4个尺度上分别确定图像中每个像素点对应的BIF,然后在每个尺度上分别提取6维直方图特征及3维高阶统计特征共36维特征,最后使用支持向量机(support vector machine, SVM) 作分类器对实验图像进行训练和分类。实验表明,所提方法降低了算法的计算复杂度和运行时间,对噪声有较好的鲁棒性。     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

柑桔溃疡病自动识别方法及其仿真研究

研究基于Boosting的柑桔溃疡病自动识别算法.提出了一种基于特征选择准则的Boosting 学习算法,采用对称交叉熵作为弱分类器的相似度评价.将弱分类器相似度与Boosting学习过程相结合学习出更优化的弱分类器,对溃疡病斑图象进行特征选取和学习,建立了自适应的病斑特征模型,最后利用该模型完成溃疡病自动识别.实验结果表明,这种算法避免了Boosting算法进行特征提取时的缺点,减少了选取结果中的冗余,尤其在进行高维特征选取时,能够提高特征选取速度,使选取的特征更具代表性.     

基于direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

基于目标特征的动态支持向量机研究

研究了将待识别目标特征与SVM相结合的动态SVM。提出一种以目标特征与每个训练样本间的距离度量SVM软间隔优化问题中惩罚参数C的方法,可根据两者间距离大小赋予每个训练样本一个惩罚参数,从而更好地体现了不同训练样本对于待识别目标特征的价值。然后,根据各样本惩罚参数的大小重构动态训练样本集,训练以待识别目标特征的分类为核心任务的动态SVM,寻求以目标特征为中心的局部空间的最优分类面。并对两类水声目标的识别情况进行了比较,实验表明效果好于SVM和k-近邻分类器。     

基于线性卷积系数扩展特征的雷达目标识别

针对雷达目标高分辨距离像识别中的有效特征提取问题,提出了一种基于线性卷积系数扩展特征的雷达目标识别方法。该方法将高分辨距离像及其线性卷积系数扩展特征作为联合特征在核空间中进行特征选择,并采用支持向量机（support vector machine, SVM）作为分类器实现雷达目标识别。核空间中的特征选择可以解决联合特征高特征维数问题和非线性可分问题,进而提高SVM识别性能,而线性卷积系数扩展特征相比高分辨距离像具有更强的稳定性。同时,可以在一定程度上弥补因特征选择带来的高分辨距离像部分距离单元特征分量缺失。基于5种飞机目标高分辨距离像的仿真实验证明了该方法的有效性。     

基于AdaBoost改善虹膜分类性能

针对虹膜图像分辨率不同引起虹膜分类难的问题,提出了通过AdaBoost训练虹膜分类器的方法,利用训练集数据调整分类器参数使类内相似度达到最大,将虹膜分类器从弱分类器逐步提升为强分类器,最终为每类虹膜建立一个具有强分类能力的特征模板.仿真结果表明,在已有的特征提取算法和分类算法的基础上,利用训练数据通过自适应增强算法能进一步改善分类器分类性能,提高虹膜分类正确率,增大虹膜分类阈值的选择范围.     

基于自适应差分演化的特征选择算法在石油储层识别中的应用

近年来我国石油产量跟不上需求,供需矛盾进一步凸显,导致石油的对外依存度已经连续几年超过警戒线,为了缓解供需矛盾,石油的增储上产是一种有效措施,但精确地识别石油储层成为增储上产的一大难题,而特征选择是精确识别石油储层的有效保障.本文提出了一种增强型自适应差分演化算法,即ESADE算法,在算法中使用了双种群的概念,构造了一个简单的双层差分演化,并且在算法的选择操作中加入模拟退火的思想;接着将ESADE算法作为特征选择的搜索策略,将ReliefF算法、BIF算法、FCBF算法及随机抽选特征算法作为评价准则库,SOM神经网络算法、模糊C均值算法、K均值算法和K近邻算法作为分类器库,得到了一种基于ESADE的特征选择算法.然后将此算法应用于某油田oil81、oil82、oil83、oil84和oil85五口井的测井数据集上进行石油储层的油层、差油层、水层和干层的分类识别,并与未进行特征选择直接进行分类的结果进行比较及相同分类正确率下不同分类算法组合及不同属性选择的比较.实验结果表明与SOM神经网络算法、模糊C均值算法、K均值算法及K近邻算法这四种分类算法相比,基于ESADE的特征选择算法能在利用较少属性的同时提高分类准确率,并能够提供不同的属性和分类算法的最优组合方案.     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先，通过集成人工特征与深度学习自动提取特征构成特征集合。然后，设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

基于Retinex和小波分解的手背静脉识别方法

为了解决手背静脉识别系统中图像的对比度较低且静脉结构简单的问题,首先提出一种基于自适应平滑滤波器的Retinex增强算法,在增强静脉结构的同时均衡了图像灰度;然后分析了静脉图像的小波分解子带图像和灰度积分投影,指出小波低频子带图像和垂直方向的灰度积分投影比较适合作为手背静脉识别的特征;进一步提取了基于逼近系数的小波不变矩特征,并融合形成了90维的手背静脉特征向量;最后建立SVM 分类器并利用手背静脉图像库进行实验,结果证明了该算法的识别优越性.     

Face Recognition Based on Support Vector Machine and Nearest Neighbor Classifier

Support vector machine (SVM), as a novel approach in pattern recognition, has demonstrated a success in face detection and face recognition. In this paper, a face recognition approach based on the SVM classifier with the nearest neighbor classifier (NNC) is proposed. The principal component analysis (PCA) is used to reduce the dimension and extract features. Then one-against-all stratedy is used to train the SVM classifiers. At the testing stage, we propose an al-     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

基于信号特征空间的TDCS干扰分类识别

针对变换域通信系统中干扰信号的分类识别问题,提出了一种基于信号特征空间的支持向量机(signal feature space-support vector machine, SF-SVM)干扰分类算法。首先,基于干扰信号模型和信号空间理论对干扰信号进行特征提取,并建立信号特征空间,进而针对二分类和多分类问题提出了SF-SVM分类算法,设计了干扰信号的多分类识别器。仿真结果表明,与干扰信号的传统分类算法相比,SF-SVM不仅提高了分类精度,而且缩短了训练时间;设计的多分类识别器在信噪比达到8dB时,对6种干扰信号识别性能及对变换域通信系统性能都有所提升。