一种改进的贝叶斯分类器剪接位点预测

虽然现有的DNA剪接位点辨识算法取得很高的辨识精度,但是大多数方法计算量很大。朴素贝叶斯分类器是一种简单而高效的分类器,但是它的属性独立性假设使其无法表示现实世界属性之间的依赖关系,影响了它的分类性能。将朴素贝叶斯分类器进行改进,推导出决策属性和各条件属性对数值间存在线性关系,并用最小二乘法求出这种线性关系系数,设计出一种新的贝叶斯分类器。将改进的贝叶斯分类器应用于DNA序列剪接位点的辨识中。仿真结果表明,本算法计算时间和测试样本的数量成线性关系,辨识精度较朴素贝叶斯分类器有明显提高,同时高于现有辨识算法。     

贝叶斯网络个人信用评估模型

研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器2种贝叶斯网络信用评估模型的精度,用10层交叉验证在2个真实数据集上对贝叶斯网络信用评分模型进行了测试并与神经网络模型进行了比较.结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于贝叶斯网络的目标融合识别方法研究

利用贝叶斯网络模型进行目标融合识别是近年来的一个研究热点。以电子战环境中的数据融合为背景，提出了一种以朴素贝叶斯分类器和扩展的朴素贝叶斯分类器为基本结构的目标融合识别模型，采用同质传感器数据优先融合原则对雷达侦察、通信侦察和红外成像侦察数据进行融合。仿真实验表明，该模型可以有效地提高识别系统的准确率、可靠性和稳健性。     

基于改进半监督朴素贝叶斯的LPI雷达信号识别

针对先验信息残缺的非合作电子对抗背景下的低截获概率雷达信号识别问题,提出一种基于改进的半监督朴素贝叶斯的识别算法。该算法首先提取出4种低截获概率(low probability of intercept,LPI)雷达信号的双谱对角切片作为识别特征;针对传统的半监督朴素贝叶斯(semi-supervised Naive Bayes,SNB)在更新训练样本集过程中会产生迭代错误的不足,利用改进的SNB(Revised SNB, RSNB)算法构建分类器,完成对测试样本的识别。该方法通过在无标记样本集生成的置信度列表中选取置信度较高的样本添加到有标记样本集中,再利用预测后的分类结果对分类器参数(即特征期望向量m i和方差向量σ i)进行改进,有效解决了传统算法分类精度低且分类性能不稳定等缺点。理论分析和仿真结果表明,在LPI雷达信号识别问题,相比于SNB算法和传统的主成分分析加支持向量机法(principal component analysis-support vector machine, PCA-SVM),该算法具有更高的分类识别率和更好的分类性能。     

基于RCS特征的谐振区舰船目标识别

利用谐振区RCS特征对舰船目标进行识别.深入研究了频率预先优化选择问题,提出了一种新的基于最小分类错误准则的频率选择方法,用以改善目标识别性能.给出了一种基于多类目标假设检验理论的带有拒绝判定目标出现门限的近邻分类器.对五类舰船目标识别的仿真结果表明,新的选频方法显著提高了识别性能;扩展的近邻分类器表现出较为理想的拒判能力.     

基于可行域解析中心的股指时间序列预测

预测股票涨跌情况,并提出了一种新的时间序列预测方法,该方法将时间序列预测问题转化为多类分类问题.同时在分析现有多类分类机器不足的基础上,提出了一种基于可行域解析中心的多类分类器.通过上证股指序列的实证分析表明,提出的方法及多类分类器是有效的且有很强的实用性.     

贝叶斯框架支持向量机的模拟电路故障诊断

基于贝叶斯证据框架下的最小二乘小波支持向量机，设计了一种新型模拟电路故障诊断方法。将贝叶斯证据框架应用于多类LS-WSVM分类器来选取正规化参数和核参数，并采用小波提升变换对从测试点得到的各种故障状态下输出电压信号进行分解获取多尺度的小波系数，对经处理的小波系数提取出故障特征量，以此作为样本训练多类LS-WSVM分类器来确定模拟电路故障诊断的模型。采用雷达系统模拟电路进行了仿真，结果表明，设计的模拟电路的故障诊断方法效果良好。     

ECOC多类分类中基分类器non-competence问题研究

在纠错输出编码(error-correcting output code, ECOC)多类分类中,当待识别样本的真实类别不属于对应二类子类划分时,训练得到的基分类器将不具备对此类样本进行分类的能力,此时的基分类器在解码融合时面临着non-competence问题。如何衡量基分类器是否具备对样本的分类能力,以及如果不具备,如何减少此种情况下对分类效果的影响是基于ECOC多类分类面临的新问题。针对解码框架中non-competent基分类器的分类融合问题,提出一种基于基分类器对样本是否具有分类能力的加权解码方法。该方法利用支持向量数据描述衡量待识别样本与各划分子类之间的距离,同时利用加权解码,通过对基分类器权重的学习，进而增强对类别拥有分类能力的基分类器的影响,减少不具备分类能力的基分类器产生的误差。基于UCI数据集的实验表明所提方法的有效性和实用性。     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

多分类器融合的人脸识别与身份认证

人脸识别是生物特征识别技术中一个活跃的研究领域,取得了很多实践成果,但是单一分类器一般不能取得满意的识别率与身份认证效果。本文采用贝叶斯决策理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对协同人脸识别、特征脸法以及复合方法等人脸识别分类器进行决策层的融合,对ORL库中人脸识别仿真实验表明文中的多分类器融合的人脸识别方法具有较好的分类性能,对污损、低分辨率人脸图像具有可靠的识别率、鲁棒性强,而且应用于人脸身份认证中取得了较好的认证效果。     

加权KNN分类器在HRRP库外目标拒判中的应用

针对雷达自动目标识别中的库外目标拒判问题,提出了一种人工生成库外样本的方法和一种加权k最邻近(k nearest neighbors, KNN)分类器。通过人工生成库外高分辨距离像样本,解决了在训练阶段无法获取库外样本的难题。加权KNN分类器同时满足了基于问题和基于数据两大设计要求,能够很好地处理拒判问题。通过基于接收机工作特性(receiver operating characteristic,ROC)准则和基于损失函数准则的仿真实验,证明了加权KNN分类器具备优良的拒判性能。     

结合局部结构学习的Bayesian优化算法

在Bayesian优化算法中Bayesian网络的学习是算法应用的关键,而Bayesian网络学习是一个NP-hard问题,并且计算量大。为了能够快速获得较稳定的Bayesian网络,提出了一种新的学习策略,在学习Bayes-ian网络结构时采用对局部结构的贪婪算法,并结合局部搜索利用打分测度选取最优边。对所提算法进行了分析,在算法复杂度较小的情况下,所学习的Bayesian网络可靠性明显提高,算法收敛速度加快,并且避免陷入局部最优。仿真研究表明文章所提出算法寻优能力优于传统Bayesian优化算法。     

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题, 提出一种双偏振体制天气雷达下基于修正小波变换插值-树扩展朴素贝叶斯(tree augmented naive Bayesian, TAN)的降水粒子分类方法。首先，需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理，以获得较高分辨率的雷达偏振参量数据。然后，基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练，得到可用于降水粒子分类的TAN网络。最后, 将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明, 对于低分辨率雷达偏振参量数据, 所提方法可以取得较好的降水粒子分类结果。     

New statistical model for radar HRRP target recognition

The mixture of factor analyzers (MFA) can accurately describe high resolution range profile (HRRP) statistical characteristics.But how to determine the proper number of the models is a problem.This paper develops a variational Bayesian mixture of factor analyzers (VBMFA) model.This procedure can obtain a lower bound on the Bayesian integral using the Jensen's inequality. An analytical solution of the Bayesian integral could be obtained by a hypothesis that latent variables in the model are independent.During computing the parameters of the model,birth-death moves are utilized to determine the optimal number of model automatically.Experimental results for measured data show that the VBMFA method has better recognition performance than FA and MFA method.     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

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。     

无线传感器网络中基于粒子群优化的目标识别方法

针对无线传感器网络在地面目标声振信号识别方面的应用需求,在分析现有算法缺点的基础上,提出了基于粒子群优化(particle swarm optimization, PSO)方法的目标识别算法。利用粒子群算法优化基于模糊逻辑规则的分类器(fuzzy logic rule based classifier, FLRBC),分析了算法中各个参数的设置对算法性能的影响。基于实地采集到的信号的仿真实验表明,该方法在一定程度上提高了目标识别的正确率和稳定性,平衡了分类性能,改善了收敛性质。