基于小波变换的眉毛识别方法

提出了一种基于小波变换的眉毛识别方法.该方法利用小波变换进行眉毛特征提取,选取奇偶行三层小波变换的高频、水平分量、垂直分量和整体二层小波变换的低频部分作为特征,利用最近邻法则进行识别.实验结果对比表明,该方法简单且识别率较高.     

基于改进自适应神经模糊推理模型的 回流焊参数设定方法

复杂制造过程中,系统参数往往呈现动态、非线性特征,以回流焊过程为例,针对现有参数设定方法效率和精度不足的问题,提出了一种基于改进自适应神经模糊推理模型的在线参数设定方法.引入了神经网络预测器来增强模糊神经网络的自适应能力和非线性逼近能力,通过最近邻聚类算法对模糊规则的参数和结构进行调整和在线更新,以提高模糊推理的精度,增强系统的容错性和鲁棒性.以回流焊过程参数设定过程为背景,建立仿真实验.结果表明,所提出方法可有效实现非线性输入输出系统参数的快速及准确的设定.     

区域创新的空间邻居效应 ——基于我国省际面板数据的实证研究

在现有区域创新模型的基础上,将来自区域外部影响的空间邻居效应视为区域创新的重要影响要素,并利用2001—2008年我国内地31个省份的面板数据,对我国区域创新能力的影响因素进行实证研究。研究结果表明,科研资金投入、科研人员水平的提高以及创新环境对增强区域创新能力具有重要作用;同时,区域创新的空间邻居效应确实存在,即周边地区区域创新能力对本地区创新能力的提高具有显著的正向影响,因此,各地区应当加强区域协同,形成区域创新联动发展战略。     

多目标监督聚类GA研究

提出了多目标监督聚类GA算法,即:根据样本的类标签有监督地将样本聚类,在每个类中根据样本属性的相似性有监督地聚成类簇.如果分属不同类标签的类簇出现相交,则相交类簇再次聚类,直到所有类簇均不相交.适应度矢量函数由类簇数和类内距离2个目标确定,类簇数和类簇中心由目标函数自动确定,从而类簇数和中心就不受主观因素的影响,并且保证了这2个关键要素的优化性质.预测分类时,删去单点类簇,并根据类簇号和离某个类簇中心距离的最近邻法则以及该类簇的类标签进行分类.算法模型采用C#实现,采用3个UCI数据集进行实例分析,实验结果表明,本算法优于著名的Native Bayes、Boost C4.5和KNN算法.     

基于概率模型LVQ的改进KNN分类新方法

KNN是基于实例的算法,对于大规模样本算法分类性能不高.针对这一缺点,提出一种基于概率模型的学习矢量量化神经网络的改进KNN分类新方法.考虑到最优参考点训练的重要性,结合概率方法得到最佳参考点的判断准则函数,采用梯度下降最优化算法利用LVQ训练参考点的最佳位置.在对未知样本进行分类时选出样本x的K个近邻,采用"投票选举"机制最后判断样本x的所属类别.新方法减少KNN的计算复杂度和时间,弥补了KNN在处理大规模数据问题上的不足.在UCI中数据集上的仿真实验表明改进算法的可行性.     

一种基于路网D树的无线广播环境下路网最近邻查询处理算法

位置相关查询是数据库领域的一个研究热点。重点研究了无线广播环境下路网最近邻查询（NN）处理问题。对一个给定的路网结构及路网上分布的数据对象,构造对应的路网Voronoi图（NVD）,并在NVD图的基础上构建路网D树索引结构。然后,将路网D树索引结构线性化以支持无线广播环境下路网NN查询的处理,并提出了相应的路网NN查询处理算法。模拟实验表明,所提出的算法是有效的。     

基于下肢动静态特征融合的步态识别

针对目前步态识别研究中基于单一特征算法识别率低,多特征融合算法又过于复杂的问题,提出一种简单有效的步态识别算法。提取下肢肢体角度为动态特征,肢体长度为静态特征,另外引入动静态兼顾的可变区域面积特征,最后融合得到联合特征向量并引入一种最近邻模糊分类器进行分类。在CASIA步态数据库上进行大量的实验。实验结果表明,在降低融合算法计算复杂度的同时,识别率相对于单个特征有了很大提高。     

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.     

K近邻的自适应谱聚类快速算法

谱聚类算法建立在谱图划分理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。然而,谱聚类算法涉及如何选取合适的尺度参数σ构造相似度矩阵的问题。并且,在处理大规模数据集时,聚类的过程需要较大的时间和内存开销。研究从构造相似度矩阵入手,以传统NJW算法为基础,提出一种基于K近邻的自适应谱聚类快速算法FA-SC。该算法能自动确定尺度参数σ;同时,对输入数据集分块处理,并用基于K近邻的稀疏相似度矩阵保存样本信息,减少计算的内存开销,提高了运行速度。通过实验,与传统谱聚类算法比较,FA-SC算法在人工数据集和UCI数据集上能够取得更好的聚类效果。     

基于纯电动汽车高频数据的驾驶风格分类方法

基于纯电动汽车的高频运行数据选取了15项与驾驶安全有关的特征参数;通过对各特征参数的统计分析,提出了多参数组合阈值边界线进行危险驾驶行为识别,然后对比分析了两种聚类算法和4种降维方法的效果,采用t分布随机邻域嵌入(t-SNE)和高斯混合模型(GMM)组合算法建立了驾驶风格分类模型,将驾驶风格分为3种类型.在此基础上,研...