一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.     

一种面向语音识别的抗噪SVM参数优化方法

为提高机器学习性能,解决语音识别系统在噪声环境中识别率变差等问题,在分析支持向量机(SVM)模型抗噪性的基础上,提出一种基于生境共享机制的并行结构人工鱼群算法(PAFSA)优化SVM参数的方法.该算法对人工鱼群算法的循环主体进行改进,结合小生境技术的共享机制,在寻优的过程中维持样本个体的多样性,提高求解速度和解的精确性,并利用测试函数对该优化方法进行测试和比较,证明其有效性;用PAFSA对SVM中的惩罚因子C及高斯核参数γ进行优化,并将优选的参数用于一个非特定人、孤立词、中等词汇量的语音识别系统中.实验结果表明:当工作在不同信噪比和不同词汇量下,基于PAFSA-SVM模型语音识别率与基本AFSA-SVM模型识别率以及传统的HMM模型识别率相比均有不同程度提高.     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

一种基于GLCM的运动目标检测新方法

基于GMM(Gaussian Mixture Model,混合高斯模型)的物体识别基础上,利用GLCM(Gray-level co-occurrence matrix,灰度共生矩阵)及基于GLCM提取的纹理特征来解决当前运动目标检测所存在的问题,如动态场景的变化,光照突变及天气变化等。GLCM在局部区域的往复运动具有相对不变性,因此利用这个特点对基于GMM检测的前景进行再判断以解决动态场景的问题,将检测窗口中当前帧和前两帧的GLCM特征值进行比较,如果其GLCM特征值的差值小于给定的阈值,那么可以判断当前区域为背景,反之则为前景。图像的纹理特征具有抗光照突变性,经过分析其中的4个特征值并阈值化最终得到更加纯净的前景和更加准确的检测结果。通过CPU/GPU(Central Process Unit/Graphic Processing Unit)协同并行计算大大加速了运动目标检测过程。实验证明这种新的检测算法在检测精度和处理速度上比其他算法有明显改善。     

基于Tamura纹理特征提取和SVM的多模态脑肿瘤MR图像分割

在Tamura纹理特征和支持向量机(SVM)算法基础上提出一种多模态脑肿瘤图像分割算法.将4种模态下的多序列核磁共振图像(MRI)的局部灰度特征与Tamura纹理度量相结合,尽可能提取足够多的图像信息;在SVM模型中输入已知样本并进行训练;用训练好的SVM模型处理其他脑肿瘤图像.实验通过对20例患者的图像进行展开,从实验数据来看,提出的方法可以精准有效地分割出脑肿瘤区域,得到脑肿瘤的边界,并且对脑肿瘤图像的差异性表现出较强的自适应能力.     

基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用

针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题,提出一种基于Gabor小波滤波和局部保持投影(LPP)降维算法相结合的泡沫纹理特征提取方法.首先,利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量;然后,利用LPP算法得到降维特征向量;最后,利用此降维特征向量通过反向传播(BP)神经网络进行不同工况下泡沫类别的识别,进而指导实际矿物浮选生产.实验结果表明,相对于传统的GLCM方法和Gabor小波纹理特征提取方法,该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.     

基于概率图模型的图像纹理模型

 纹理作为一种视觉特征,它广泛应用于图像分析。概率图模型由于其自身特点可以很好地描述纹理。高斯图模型结构可根据局部马尔科夫性和高斯变量的条件回归之间的关系来学习。高斯图模型可用一个邻域系统、一个参数集和一个噪声序列表示。利用惩罚正则化方法,可以选择高斯图模型的邻域并估计参数,然后提取纹理特征进行纹理合成和分类。实验结果显示基于高斯图模型的纹理特征更加有效。     

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。     

基于改进PSO的ARIMA-SVM空气质量预测研究

针对现有的单一模型对PM_(2.5)质量浓度预测误差较大的问题,提出自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)-支持向量机(Support Vector Machine,SVM)组合预测的方法.首先,为了解决单核SVM泛化能力弱、学习能力差的缺点,构建基于线性组合的混合核SVM;然后,考虑到普通粒子群算法对SVM参数寻优存在易陷入局部最优解和后期震荡的问题,提出基于余弦函数的自适应惯性权重和增加动量项的改进粒子群算法;最后,以北京市某站点的PM_(2.5)质量浓度数据进行验证.结果表明:改进的组合模型均方根误差较未改进组合模型和单一ARIMA模型分别降低了1.741μg·m~(-3)和6.720μg·m~(-3),具有更加良好的预测精度.     

基于融合特征提取与 LLE 方法的表情识别

为保证所提取特征表征作用的全面性, 提出一种基于几何特征和局部纹理特征相结合的特征提取方法。 将基于主动表观模型(AAM: Active Appearance Model)特征点标记提取的几何特征和基于局部二值模式(LBP: Local Binary Pattern)提取的眼部和嘴部纹理特征进行融合, 融合后的特征经局部线性嵌入(LLE: Locally Linear Embedding)方法进行特征降维, 并使用多分类的支持向量机(SVM: Support Vector Machine)进行分类识别。 该方法分别选取 JAFFE 数据集 7 类表情和小样本数据集 Yale 的 4 类表情进行实验, 识别准确率分别达到了 98. 57%和 91. 67%, 从而证明了该方法的有效性。     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

融合全局与局部特征的UWB雷达人体动作识别算法

为了消除雷达信号中杂波和噪声对人体动作识别的干扰,提高小样本数据下动作识别的精度,在去除杂波及噪声干扰的基础上,提出一种融合全局与局部特征的超宽带（ultra-wideband,UWB）雷达人体动作识别算法。用动目标指示（moving target indication,MTI）结合自适应中值滤波对雷达原始回波信号进行预处理,再对人体动作的雷达二维特征图像利用主成分分析（principal component analysis,PCA）提取主要分量作为全局特征表征,并用二维离散小波变换（2D discrete wavelet transform,2D-DWT）结合奇异值分解（singular value decomposition,SVD）获取特征图像在不同方向与尺度划分下动作的局部特征表征,并将全局与局部特征进行串联融合;根据融合特征,在网格搜索算法（grid search,GS）优化的支持向量机（support vector machines,SVM）模型中实现人体动作的识别分类。实验结果表明,该算法能有效获取雷达信号中的人体动作信息,平均识别准确率为95.63%,具有良好的识别性能。     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别，但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题，提出一种双谱二次特征提取方法，将双谱转化为灰度图像，以灰度值表示双谱幅度；再利用图像处理技术提取双谱二次特征，提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集；将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明：该方法具有更好的分类识别性能，对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

结合改进韦伯算子和加权稀疏表示的指静脉识别

为了在拓扑结构简单的指静脉图像上提取更完整的纹理信息并提高识别效率,提出一种从粗到细的指静脉识别算法.在粗识别阶段,利用测试样本与每类中的一个样本之间的相似性,排除冗余训练类;在精识别阶段,引入Gabor进行图像表示,更清楚地描述图像纹理的局部空间尺度特征和方向特征;将韦伯局部圆梯度模式(We-ber local ci...     

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.