基于PCA和KICA双空间特征提取的玉米碰撞声信号分类

提出了一种基于主元分析(PCA)和核独立主元分析(KICA)双空间特征提取方法,PCA-KICA方法.运用碰撞声装置采集玉米完好粒声信号、虫蛀粒声信号、霉变粒声信号,首先将信号在PCA空间进行特征提取,然后将提取的特征送入到KICA空间提取信号的特征向量,最终送入到粒子群优化的支持向量机分类器中进行分类.实验结果证明,单空间特征提取算法对于3类信号的分类效果不理想,但是采用双空间中特征子空间的互补性可以克服单空间的限制.PCA-KICA双空间特征提取方法的识别率最高,完好粒、虫蛀粒、霉变粒的识别率分别达到95.00%、96.40%、97.80%.     

基于小波包和SVM的小麦碰撞声分类研究

采用小波包分析小麦完好粒、虫蛀粒、霉变粒的碰撞钢板声信号,提取3类信号节点能量、奇异值、节点包络信号的功率谱熵和谱熵臂4个特征,使用支持向量机进行分类,对3类小麦颗粒的识别正确率均在92%以上.实验结果表明,不同类型的小麦碰撞声信号特征差异较大,此研究具有较强的实际应用价值,为小麦颗粒的分拣提供了可行方法.     

基于二叉树支持向量机的小麦碰撞声分类研究

为了实现小麦颗粒的自动分类,采用二叉树和支持向量机相结合方法对小麦碰撞声进行识别分类.首先从时域和频域对小麦碰撞声信号进行分析和处理,提取信号特征,然后利用二叉树支持向量机分类器进行分类,实验结果表明,对小麦完好粒、虫害粒、霉变粒和发芽粒4类麦粒的识别均达到84.0%以上.该项研究具有较强的实用价值,为小麦的自动识别分类提供了一种可行方法.     

基于混合互信息的决策树入侵检测

为了提高入侵检测的准确度和速度,针对入侵规则属性相关性的特点,将属性与类间的互信息与属性间的互信息结合,提出了一种新的混合互信息的决策树分类算法.在对此算法进行了算法设计和分析的基础上,将由此算法构造的决策树分类方法对入侵规则进行组织,改变了传统的入侵规则逐条串行检测,以增加预处理时间为代价,提高了数据包的过滤速度和准确度.实验分析表明,应用该算法的入侵检测系统比使用传统方法具有更高的准确率和速度.     

基于流形学习和SVM的储粮害虫声信号识别研究

声检测法能够快速检测粮虫,对提早防治储粮害虫具有十分重要的作用.研究了2种储粮害虫的4种活动声信号,利用流形学习的等距特征映射方法对声信号进行降维并提取流形特征,采用以重尾径向基为核函数的SVM训练最优分类面,对流形特征数据进行测试和识别分类.实验结果表明,等距特征映射方法能够有效提取2种储粮害虫声信号的流形特征,且SVM的分类识别效果良好.     

基于多分量奇异熵的往复式压缩机故障分类

由于往复式机械振动信号的强烈非线性,对其进行特征提取较为困难.针对上述现象提出了一种计算信号多分量奇异熵的特征提取方法.通过局域波法提取出振动信号的各基本模式分量. 利用非线性动力学相空间重构理论适当选择嵌入维数与延迟时间,计算出往复机振动信号各基本模式分量的奇异熵值,提取出故障信息,并经自适应神经模糊推理系统(ANFIS)对故障特征进行分类.结果表明全部分类正确,达到了故障诊断的目的.     

电能质量扰动的广义S变换分析和决策树算法分类

针对电能质量扰动的检测和分类问题,提出了一种新的基于广义S变换和决策树的电能质量扰动分类方法.首先提出基于FFT的自适应调整调节因子取值的方法,再利用广义S变换对常见的几种电能质量扰动信号进行时频分析,并提取特征形成判决规则,最后生成用于对电能质量扰动进行分类的决策树分类算法.仿真实验结果表明,该算法能够实现电能质量扰动的自动分类,且分类正确率很高.     

基于决策树的DDoS攻击检测方法研究

采用决策树中的ID3算法,提出一种基于数据挖掘技术的DDoS攻击检测方法.该方法从被监控网络采集的数据中提取网络流量特征设计检测系统,较好地解决了网络流量分析中数值属性特征的分类问题.实验结果表明该系统能有效检测网络中发生的DDoS攻击行为.     

应用分类贡献函数的决策树构造方法

在构造决策树的过程中,分类属性选择的标准直接影响分类的效果。本文基于粗糙集的理论,提出了在核中应用分类贡献函数来选择分类属性的新方法。利用UCI提供的数据集对该算法和基于信息熵的算法C4.5,以及基于加权平均粗糙度的决策树生成算法相比较。实验证明:用该方法构造的决策树与传统的基于信息熵方法构造的决策树相比较,复杂性低,且能有效提高分类效果。     

战场目标的模糊逻辑检测与识别方法

研究模糊逻辑在战场声/地震动目标检测和识别中的有效算法.应用模糊集理论与模糊逻辑推理方法,在分析目标信息不确定性的基础上设计了适用于目标检测和分类的隶属函数,建立了相应的推理规则,构成了战场侦察传感器系统目标检测和分类的模糊逻辑推理系统.典型战场目标信号样本检验表明,该方法具有良好的检测和识别分类效果,利用基于模糊逻辑的分类器实现对战场声/地震动目标的检测和识别分类是可行的.     

基于模糊决策树的入侵检测规则生成技术

针对计算机免疫系统模型GECISM中的类MC Agent,利用模糊决策树Fuzzy-Id3算法并使用应用程序中的系统调用作为数据集构造决策树,从而生成计算机免疫系统中的入侵检测规则,并与C4.5算法生成规则进行了对比分析,利用Fuzzy-Id3算法方法生成的规则对未知数据集进行分类有较低的误报率和漏报率.     

粮仓内霉变粮食颗粒检测装置

针对粮食仓储单位检测粮食霉变的实际需求,设计了霉变粮食颗粒检测装置.该装置包括旋转取样、储料、振动以及图像采集机构,由取样机构提取粮仓内不同深度的粮食颗粒,并分别采集白光和紫外光下粮食颗粒的图像,然后对图像进行处理获得粮食颗粒霉变的数据.测试结果表明:该装置可以检测粮仓内不同深度粮食颗粒霉变的程度.     

用扩展巴科斯范式优化决策树协议解码技术

基于规则的入侵检测系统中存在误报、漏报率高,检测速度慢等问题,为此在协议分析的基础上,提出一种基于决策树的协议解码方法。该方法使用扩展巴科斯范式描述检测规则,给出推理规则的定义;提出构造最优决策树和增量决策树的算法;通过构造基于决策树的入侵检测系统,将该方法与简单模式匹配,与基于动态规则集、基于状态转换两种协议解码方法进行了比较。实验结果表明:基于扩展巴科斯范式的协议解码方法,在误报率方面比其他3种方法分别降低10.08%,0.1%,1.51%;在漏报率方面分别降低15.56%,3.68%,2.86%。     

模糊决策树匹配算子的推理能力对比研究

模糊决策树推理是机器学习领域中的一种解决分类问题的有效算法,模糊推理方法的选择在很大程度上影响推理的性能和效果.对Min-Ambiguity,Fuzzy ID3和加权模糊决策树3种推理机制进行了对比研究,选择了推理过程中4种常用的算子(∨,∧)、(∨,×)、(+,∧)和(+,×)进行了对比分析,并在理论分析和实验验证的基础上提出了优先选择乘法算子(+,×)和(∨,×)的建议.     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于机器学习的边缘检测方法研究

传统的边缘检测方法具有一定的局限性,且自适应能力差,提出一种基于机器学习的边缘检测方法来解决上述问题.实验图像从伯克利图像数据库中选取,以Harr和梯度直方图(HoG)构成特征空间,将AdaBoost算法和决策树算法相结合进行分类器训练.实验结果表明,机器学习的边缘检测算法有更高的分类准确率.     

组合chirp信号在水下声基站定位信号冲突避免中的应用研究

在水下声基站定位中,各基站发出的定位信号由于多途效应等因素影响,容易在用户终端产生信号碰撞接入现象,由此引发的信号丢失或接入阻塞是影响声基站定位应用的制约因素.通过信号结构设计减轻冲突影响是声基站定位研究的主要途径.经典的信号结构主要是以sine和cosine为载波的定位信号,但不适用于水声信道.因此提出通过合理设计组合斜率线性调频(chirp)信号,并将其作为各声基站的定位信号以提高基站定位系统的抗冲突、抗碰撞能力.为提高组合斜率chirp信号在声基站定位信号冲突碰撞应用中的检测效率,提出了一种基于混频变斜率分数阶傅里叶变换的快速检测方法.该方法能将组合斜率信号变斜率为对称三角波,并通过快速分数傅里叶变换实现基于斜率检测的多用户分离,从而提高解算的效率.理论推导和仿真实验均表明,利用该方法能较好地检测出声基站定位信号,估算定位时延差,降低多址干扰,提高定位信号检测性能.     

一种改进的基于粗糙集理论的决策树分类算法

提出一种基于粗糙集理论的决策树分类算法.首先,将核属性集中的核属性进行合取后加入析取变换,实现属性约简;其次,在决策树构造阶段,对各条件属性分别求其上下近似集,进而得到各属性的近似精度.选择近似精度最大的属性作为决策树的根结点,以此方法递归应用到各子树上来选择决策树的结点并实现决策树的剪枝.实例分析表明,改进的算法提高了决策树方法的效率.     

基于信息增益和GEP的决策树属性约简算法

分类是数据挖掘的一个重要研究方向,使用决策树进行分类是一种常用而且高效的分类方法。目前传统的算法有ID 3、C 4.5、CART等,这些算法都有如下的局限性:必须人工输入归类集合,划分属性,确定最优的分类集合。为了解决这些问题,本文做了如下工作:①提出信息增益排列GEP染色体头部的思想;②给出基于信息增益的GEP构造决策树属性约简算法(IG-GEPDTAR)并用实验进行验证;③实验表明该算法构造的决策树在具有100%准确性的同时,比使用GEP算法构造的决策树减少了冗余分支,其节点数比传统的ID 3算法和P ID算法构造的决策树的节点数分别减少了82.9%和31.2%。     

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归...