基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能，提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数，在数据预处理阶段采用高斯混合模型得知数据分布特点，根据其聚类结果分析每个聚类簇中样本权重，以及样本分布和对应权重对数据进行采样，降低数据集不平衡程度；再依据样本比例权重对少数类和多数类赋予不同的代价损失，构建卷积神经网络模型，提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标，在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较，结果显示在这两种评价指标中所提模型均为第一，这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。     

代价敏感粗糙集研究综述

本文对代价敏感粗糙集（cost-sensitive rough set,CS-RS）理论的内容及发展状况进行了回顾,对其研究方向和发展趋势进行了分析和展望．首先介绍了代价敏感学习产生的缘由、数据挖掘过程中常见代价的分类及代价敏感粗糙集的基本概念;其次从数据模型、计算模型、问题及算法四个层次上对当前的研究状况进行了总结,建立了代价敏感粗糙集理论体系示意图;最后指出测试代价敏感粗糙集的发展趋势和需要重点关注的问题．     

基于代价有限的值覆盖决策树

在测试代价敏感决策系统中,测试代价敏感属性约简方法是一种寻找测试代价尽量小的属性集的有效方法．但是,约简后决策系统只保留了简洁完整的信息,其所构造的分类器精度会有所降低．假设我们拥有有限但多于最小测试代价的资源,那么我们可以充分利用这些资源来获得更高质量的分类器．本文针对这种情况做了以下两个工作：1）我们在最小测试代价约筒的基础上添加好属性,寻找一个更好的属性集．2）提出了一种改进的决策树算法,提高分类器质量．该算法选择一些当前最好的属性值来构建结点,这些属性值能够覆盖当前相应的训练集．实验表明：1）改进的决策树算法能够获得比ID3更高的分类准确度;2）与最小测试代价约简的分类器相比,在最小测试代价约筒的基础上添加一些的好属性,可以获得更高质量的分类器;3）该方法在减少测试代价开销的同时,保证了分类器的质量．     

基于动态自适应加权Census变换的立体匹配算法

为了解决匹配过程中在弱纹理区域的误匹配问题，提出了在不同搜索窗口下自适应加权的Census变换的立体匹配方法。采用Census变换得出搜索窗口内对中心像素影响不同的特异点，分别将邻域像素与中心像素灰度差值进行处理，得到搜索窗口内邻域特异点对中心像素的影响权重，使用权重值加权求和的方式代替计算汉明距离，得出初始匹配代价。为了增强视差图，采用4路径聚合方式与赢家通吃算法(Winner-take-all, WTA),利用子像素拟合、一致性检查、颜色信息加权中值滤波和视差填充等步骤优化视差。为了验证算法效果，将提出的自适应加权Census算法与ADSG、SGM、LPSM和SGBM2进行比较，在Middlebury 2014数据集上进行了测试实验。验证了所提算法的有效性，提高了匹配的准确率，视差图更加平滑、边缘清晰。     

代价和概率时间自动机上概率有界的成本优化可达性

着重解决代价和概率时间自动机模型的可达性问题,即满足一定概率要求的最小代价问题. 在该模型中搜索满足概率要求的路径,据此路径构造相应的代价时间自动机,求解此路径的最小代价,从而求得满足概率要求的总的最小代价. 另外,通过扩展代价和概率时间自动机模型,得到多代价和概率时间自动机. 相应的可达性问题,即满足一定概率要求的符合辅助成本约束的主成本最小代价问题,也可类似地得到解决.     

基于支持向量机的文本分类技术研究

介绍了文本分类的基本过程,讨论了常用的文本分类方法如K-最近邻分类算法K-NN(K-Nearest Neighbors,K-NN)、朴素贝叶斯分类算法NB(Naive Bayesian Classifier,NB)、决策树分类算法DT(Decision Trees,DT),并探讨了基于支撑向量机SVM(Support Vector Machines,SVM)的文本分类基本原理及方法.     

采用光纤光栅的光交叉连接节点中的同频串扰

从均匀光纤光栅滤波器的窗口函数出发,研究了基于光纤光栅解复用器的光交叉连接中由于光栅非理想滤波特性引起的同频串扰问题,推导了两类同频串扰(同源相干串扰和非同源串扰)同时影响下的系统功率代价表达式,并由此计算了光栅耦合系数、光栅长度及偏振匹配因子等对系统性能的影响.     

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine, SVM) 分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析. 实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.     

基于非负矩阵分解和均方根误差的遥感图像分类方法

在利用非负矩阵分解(NMF)对高光谱图像进行降维时,并没有考虑图像中的噪声信息。因此,在利用NMF对图像进行分类时,往往不能获得很好的分类精度。基于此,提出了一种新的分类方法,该方法先利用均方根误差(RMSE)对图像进行去噪,然后再利用NMF对图像进行分类。     

不确定时间延迟下RMPC的保代价区域优化研究

在控制系统中,时间延迟的不确定性往往会影响控制策略的准确性.为了进一步分析时间延迟对系统性能的影响,该文在传统RMPC(Robust Model based Predictive Control)的基础上引入了不确定时间延迟,分析了不确定时间延迟下系统的保代价区域.首先,介绍了线性矩阵不等式约束下的RMPC,并分析了相应的保代价区域.接下来,在RMPC中引入不确定时间延迟,通过对系统状态空间进行放大,使其包含了更多的历史状态信息.最后,依据最大时间延迟分析了不确定性对控制系统性能的影响,并分析了相应的保代价区域.仿真实验表明,控制系统的保代价区域随着时间延迟的增加而逐渐减小,并且时间延迟的不确定性范围越大系统的保代价区域越小.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测,而少有对未监测区域进行预测的问题,综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响,提出了一种联合训练模型MLP&ST （MLP&spatial-temporal）,模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index,AQI）。通过实验结果对比确定最佳历史时间步长P值为29;然后将模型与其他空气质量预测模型进行对比。实验结果表明,MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型,验证了所提出模型具有良好的预测效果。     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

基于频繁模式的选择性集成

针对集成学习方法在处理大规模数据集时具有计算复杂度高、基分类器数目多、分类精度不理想的问题,提出一种基于频繁模式的选择性集成算法. 该算法利用频繁模式挖掘的原理,将未剪枝的集成分类器和样本空间映射为事务数据库,并利用布尔矩阵存储分类结果,然后从中挖掘频繁基分类器组成最终的集成分类器,达到选择性集成的目的. 实验结果表明,与集成分类算法Bagging、AdaBoost、WAVE 和RFW 相比,该算法减小了集成分类器的规模,提高了集成分类器的分类精度和分类效率.     

改进的CRNN模型在警情文本分类中的研究与应用

针对某市公安110接处警文本描述进行案件分类的需求，参考现有文本分类方法在其他行业的应用，搭建了应用于警情描述的文本分类系统.通过论证常见分类网络适用场合及其优缺点，结合对警情数据中案件描述特征的分析，提出了基于改进卷积循环神经网络的模型，该模型优化了关键特征提取过程，弥补了现有模型短文本局部特征提取不足的缺陷.实验表明，该模型的准确率比常见分类模型提升了2%~3%，且能够有效保证数据局部特征的关联性，可以对案件描述所对应的案件类型进行准确分类，从而提高公安接处警平台的自动化效率.     

一种基于双重网络模型的单幅图像超分辨率方法

本文对深度学习领域中的高效亚像素卷积神经网络（efficient sub-pixel convolutional neural network,ESPCN）算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明：该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。     

基于卷积神经网络的时空权重姿态运动特征提取算法

在传统姿态运动特征提取过程中存在有效提取效率低的问题,于是提出了基于卷积神经网络（convolutional neural network,CNN）算法的时空权重姿态运动特征提取算法。针对所选择的运动时空样本,提取相应的时空运动关键帧并以静态图像的形式输出;采取运动目标检测、图像增强等多项措施完成初始运动图像的预处理工作;借助CNN将运动特征矢量化;采用时空权重自适应插值方法减少运动边缘检测误差,从姿态边缘特征和姿态运动时空特征两方面实现姿态运动特征提取,并输出提取结果。与传统算法进行对比实验的结果表明,所提出的算法在有效特征数量方面得到了提升。