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-     

APT 理论的非参数解释

本文用非参数回归方法中的核函数法和最近邻法来解释ＡＰＴ理论．通过不同核函数的选择和最近邻估计中参数的变化以及鲁棒性回归的辅助解释,来寻找ＡＰＴ理论较好的非参数解释．     

评判紧邻间距分布函数性质的一类渐近尺度

根据两种渐近量的定义，研究了七种能谱涨落模型之紧邻间距分布函数的渐近性质及其物理内涵，并在此基础上对紧邻间距分布函数作出了系统分类和适用性说明。研究结果表明Ｂｒｏｄｙ分布函数具有最为广泛的普适性。     

RS-GA-KNN算法识别灵长类动物DNA序列剪接位点

以灵长类动物DNA序列的剪接位点识别资料为研究对象，将选定样本序列中各碱基编码作为原始变量数据，用粗糙集方法和遗传算法对原始变量数据进行变量筛选，即以粗糙集方法选取的变量为基础，用遗传算法进行变量的二次搜索，从样本序列各碱基中挑选出保守性强的碱基对应的变量构成变量集，采用最近邻聚类识别灵长类动物DNA序列剪接位点类型，总识别准确率达90．66％，明显高于直接使用原始变量数据或将粗糙集理论方法和遗传算法单独用于变量选取的识别结果．     

基于残差邻域嵌入的超分辨率算法

通过对基于邻域嵌套的超分辨率算法研究,并受到多分辨率图像处理的启发,提出了一种改进的采用残差进行邻域嵌套的超分辨率算法。在灰度和彩色图像上的实验均表明该方法得到的结果具有更低的均方根误差,而且更好地保持了高频空间的细节,例如高对比度和锐利的边缘。     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

两种基于统计的入侵检测技术

异常检测是防范新型攻击的基本手段.使用两种基于统计的异常检测技术检测网络入侵,一种是基于最大熵原理先从理论上得到正常用户行为的概率分布,然后再设定检测阈值;另一种是基于K-近邻算法,该算法不需要预先知道分布,也能很好地完成异常检测的任务.最后使用DARPA 99的部分入侵测试数据对两种方法进行了测试,并对它们的优缺点进行了比较.     

NSD样本最近邻密度估计的相合性

利用负超可加相依(NSD)序列的Bernstein不等式和Borel-Cantelli引理, 给出NSD样本最近邻密度估计和失效率函数估计的(弱)强相合性、 一致强相合性和(一致)强相合速度.     

基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测

为了预报海洋赤潮等灾害的发生,需要监测海水中藻类的繁殖状况.通过建立针对海水中叶绿素a浓度状态的预测模型间接预测海水中藻类的繁殖生长状况.运用基于数据的模糊最近邻聚类学习算法对采样数据进行聚类处理,基于最优模糊逻辑系统建立了针对海水叶绿素a浓度状态的预测模型.根据采样数据的特点和降低模型阶次的实际需求,设计了改进的模糊...     

KNN算法的数据优化策略

为了解决基于KNN（K-Nearest Neighbors）算法的非参数回归短时交通状态预测模型执行效率低的问题，提出了KNN算法的数据优化策略。通过对交通状态时空特性的研究，采用层次化对象构造交通状态向量，并根据交通状态的自重复性对历史样本数据库进行数据压缩。实验证明，优化策略提高了KNN算法的执行效率,经过压缩后的数据存取时间比压缩前缩短了8.66%。