基于 Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

融合磁极效应和数据分布特征的最大间隔学习机

基于几何边界的分类方法是一种典型的智能分类方法,已有的一些方法不仅忽略数据的分布特性,而且没有考虑不同样本对分类结果的影响,因而分类精度有待于进一步提高.鉴于此,受磁极效应启发,该文提出一种新颖的融合磁极效应和数据分布特征的最大间隔学习机.该模型构造的分类超平面距离一类尽可能近,而距离另一类尽可能远,尽量地将这2类分开.该模型利用类内离散度和类间离散度来刻画数据分布特征,以期在分类决策时将数据的分布形状考虑在内.此外,模糊隶属度的引入突出了不同样本对分类结果的影响.在UCI标准数据上的比较实验表明该方法是有效的.     

基于最大散度差的保序分类算法

分类算法主要存在问题:(1)无法充分利用样本的分布特征;(2)无法保持样本的相对关系不变;(3)无法解决大规模分类问题。对此,提出了一种基于最大散度差的保序分类算法RPCM,该方法利用线性判别分析算法中的类间离散度和类内离散度来表征样本的分布特征,通过保持各类样本中心相对关系不变来实现样本相对关系不变。理论分析表明:RPCM的对偶形式与最小包含球等价。在核心向量机的基础上提出了RPCM-CVM算法,该算法可用来解决大规模分类问题,标准数据集上的比较实验验证了所提方法的有效性。     

基于人工智能技术的矿井水害来源识别模型库的建立方法研究

为了建立合理的矿井水害识别模型库,以便提高水害来源识别的准确率,提出了建立水害识别模型库(水的水化学模型)的原则和方法技术。这个原则是各类水害来源模型内部的类内离散度尽可能小,使其具有代表性;各个模型之间的类间离散度尽可能大,以便清楚的区分各个水害来源的总原则。给出了描述这个原则的数学公式以及实现上述原则的方法技术。在山西潞安环保能源开发股份有限公司的多个煤矿进行了生产性验证。生产实践证明提出的原则和方法技术是可行的、识别矿井水的来源(判定水的类型)的准确率可达到95%。     

基于密度的KNN分类器样本裁剪算法

KNN算法在分类准确率和召回率方面具有较好的性能,但由于样本相似度计算开销大,导致分类效率低.针对此问题,本文提出一种基于密度的训练样本裁剪算法,对训练样本的各个样本类进行聚类,根据密度不同聚集成不同的簇,删除噪声数据并计算每个样本类的相似度阈值,然后将样本类内大于类相似度阈值的样本进行合并,以减少训练样本总数.实验表明,此样本裁剪算法能够在保持KNN算法分类性能基本稳定的前提下,实现各个样本类内高相似度样本的合并,减少分类计算开销.     

基于马氏椭球学习机的多类文本分类算法

提出一种基于马氏超椭球学习机的多类文本分类算法。对每一类训练样本,训练马氏超椭球学习机,使其包含该类尽可能多的样本,同时将噪音点排除在外。对于待分类样本,通过待分类样本的映射到每个超椭球球心的马氏距离确定其类别。实验结果表明,该算法提高了分类精度和分类速度。     

改进的鉴别稀疏保持投影人脸识别算法

为了解决判别稀疏邻域保持嵌入(DSNPE)算法中时间复杂度偏高的问题,构造了一种新类间离散度.用各类样本的平均向量组成过完备字典去重构表达每一类的平均向量,然后通过最大间距准则(MMC)构造新的目标函数,更好地展现人脸样本数据库类间的差异,增强了类间判别力和鲁棒性,简化了字典和字典表达,降低算法复杂度.实验结果表明:改进后的算法在保持识别率优势的前提下,极大地减少了识别时间.     

不均衡数据集中KNN分类器样本裁剪算法

针对KNN算法在分类时的样本相似度计算开销大,在处理不均衡数据集时少数类分类误差大的问题,提出一种在不均衡数据集下基于密度的训练样本裁剪算法。对训练样本的各个样本类进行聚类,删除噪声数据并计算每个样本类的平均相似度和样本平均密度,以此获得样本类裁剪的相似度阈值,然后将样本类内相似度小于类相似度阈值的样本进行合并,减少训练样本总数。实验表明,此样本裁剪算法能够在保持KNN算法分类性能基本稳定的前提下,有效地减少分类计算开销,并能在一定程度上提高少数类的分类性能。     

基于最小类内离散度的改进Otsu分割方法的研究

提出了一种改进的Otsu阈值分割方法,该算法结合了最小类内离散度与最大类间方差.类内方差越小,类的内聚性就越好,据此提出分类的类内离散测度,综合最大类间方差,定义了新的阈值识别函数.实验结果表明:该方法克服了传统Otsu阈值分割信息不完备的缺陷,具有更强的抗噪能力,分割效果明显.     

基于维样本近邻区间的分类算法研究

针对传统KNN算法忽略样本分布对分类的影响,易受到孤立样本、噪音等干扰,时间代价大等问题,提出了一种改进的近邻分类算法.该算法首先采用类维样本存储,打破了样本的整体性,转换了训练样本存储模式;其次按类维度寻求未知样本的类维近邻域,计算类维相似度进而得到未知样本的类别相似度;最后以最大类别相似度标识未知样本.该算法提高了分类效率,降低了独立样本对样本分类的影响.同时可处理连续型和标识型样本分类,并可适应各类样本分布情况,扩大了算法的应用范围.实验结果表明,该算法较传统的近邻算法与邻域分类算法在分类精度与分类时间上有了较大提升.     

基于马氏距离的最终执行元件功能安全失效表征

针对现有最终执行元件功能安全失效分析方法未能切实考虑实际工况的不足,提出了一种基于马氏距离的最终执行元件功能安全失效表征方法。预先获取各状态下最终执行元件的工况参数,构建样本空间,计算其中各样本的马氏距离;其次对马氏距离进行Box-Cox变换,使其满足正态分布后,由3σ准则确定各状态的阈值,构建最终执行元件的失效表征模型;最后利用所设计的检测系统检测工况参数,构建样本向量,通过所构建的失效表征模型实现最终执行元件功能安全失效表征。仿真实验和现场实验结果表明,本文方法能够准确识别出最终执行元件的功能安全失效,为其失效分析提供了一种新的方法。     

Method of Monitoring Wearing and Breakage States of Cutting Tools Based on Mahalanobis Distance Features

The Mahalanobis distance features proposed by P.C.Mahalanobis, an Indian statistician, can be used in an automatic on-line cutting tool condition monitoring process based on digital image processing. In this paper, a new method of obtaining Mahalanobis distance features from a tool image is proposed. The key of calculating Mahalanobis distance is appropriately dividing the object into several component sets. Firstly, a technique is proposed that can automatically divide the component groups for calculati...     

浅析一种基于Mahalanobis距离的色差检测方法

在纺织印染行业,织物色差是影响织物质量的重要因素。国内外对色差的研究已经开始多年了,也提出了许多方法。分析了一种基于Mahalanobis距离的色差检测方法,在HSI颜色空间以H、S、I为变量计算两幅图像之间颜色的距离;且简单证明了该种方法与CIE色差公式的一致性。     

一种数据驱动的预测控制器性能监控方法

提出一种数据驱动的预测控制器性能监控方法.基于马氏距离的综合性能指标,推导了性能指标的基准,以实现对预测控制器性能下降的及时检测.考虑导致预测控制器性能下降的4种常见原因,提出了基于马氏距离性能指标的性能诊断方法,即通过提取过程变量中主元和误差子空间的马氏统计量作为性能特征,利用支持向量机构造分类器,实现了预测控制器的性能诊断.最后,通过Wood Berry过程仿真,验证了所提方法在预测控制器性能监控中的有效性.     

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.     

Assessment of different genetic distances in constructing cotton core subset by genotypic values

One hundred and sixty-eight genotypes of cotton from the same growing region were used as a germplasm group to study the validity of different genetic distances in constructing cotton core subset. Mixed linear model approach was employed to unbiasedly predict genotypic values of 20 traits for eliminating the environmental effect. Six commonly used genetic distances （Euclidean, standardized Euclidean, Mahalanobis, city block, cosine and correlation distances） combining four commonly used hierarchical cluster methods （single distance, complete distance, unweighted pair-group average and Ward＇s methods） were used in the least distance stepwise sampling （LDSS） method for constructing different core subsets. The analyses of variance （ANOVA） of different evaluating parameters showed that the validities of cosine and correlation distances were inferior to those of Euclidean, standardized Euclidean, Mahalanobis and city block distances. Standardized Euclidean distance was slightly more effective than Euclidean, Mahalanobis and city block distances. The principal analysis validated standardized Euclidean distance in the course of constructing practical core subsets. The covariance matrix of accessions might be ill-conditioned when Mahalanobis distance was used to calculate genetic distance at low sampling percentages, which led to bias in small-sized core subset construction. The standardized Euclidean distance is recommended in core subset construction with LDSS method.     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

基于Mahalanobis距离与BP网络的图像小波标定识别技术

针对计算机芯片检测,提出了基于Mahalanobis距离与BP人工神经网络的小波图像识别技术．在对Ic芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别．实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果．     

基于BP网络与Mahalanobis距离的图像识别技术(英文)

提出基于BP人工神经网络与Mahalanobis距离的图像识别技术.在对IC芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别.实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果.