一种基于加权核Fisher准则的朴素贝叶斯分类器

利用加权核Fisher准则,给出一种朴素贝叶斯分类器的改进算法。该算法通过寻找使类与类最大分离的最优投影矩阵,将样本数据进行投影变换,再利用朴素贝叶斯分类器对新样本进行分类。将该方法应用于双酚A生产过程在线监测数据集的分类中,仿真结果表明,相比于单纯朴素贝叶斯分类器,该分类算法具有更好的分类性能。     

基于Fisher准则的免疫思维进化算法在图像阈值寻优中的应用

针对图像分割中的阈值选取问题,通过引入模式识别理论中的Fisher评价函数作为图像分割的准则函数,提出了基于Fisher准则的免疫思维进化算法进行图像分割.该算法克服了基本遗传算法无法记忆每一代的进化信息、容易出现"早熟"、收敛慢且不能保证全局搜索的缺点,可以指导算法向着有利方向进行,并且采用群体搜索,提高了搜索效率且避免了"早熟"现象,提高了算法的寻优质量.笔者对该算法进行了详尽的分割实验,并与基本遗传算法相比较,结果表明该算法可以将分割阈值稳定在5个像素之内,运算速度比基本遗传算法提高了9.5%,是一种有效的图像阈值分割新方法.     

基于改进Fisher准则与极限学习机集成的图像隐写分析

集成分类器是目前图像隐写分析中广泛使用的分类器。针对集成分类器中基分类器受离群样本影响较大,集成策略效果不佳的缺点,提出一种基于改进Fisher准则与极限学习机集成的图像隐写分析算法。首先,通过重新定义类内散度矩阵以提高Fisher准则模型的准确性,之后基于改进的Fisher准则并使用Bagging算法训练若干基分类器,最后使用极限学习机作为元分类器来建立基分类器集合与正确决策之间的联系。实验结果表明,在不同的隐写算法与嵌入率的条件下,与传统集成分类器和基于选择性集成的集成分类器相比,所提算法降低了3.5%与1.8%的检测错误率,说明能够有效提高集成分类器的检测精度。     

基于纹理特征和核Fisher的红细胞识别算法

为解决正常红细胞的计算机自动识别记数问题,提出了一种红细胞识别分类计数算法。首先基于计算机图像处理技术,利用二值图的拓扑特性实现单个细胞的定位。然后根据定位信息提取单个细胞灰度图像数据,计算该细胞图像经小波变换后低频系数的灰度-基元共生矩阵,并提取能量、熵等8个特征作为特征矢量,利用核F isher判别实现对红细胞的识别和计数。实验结果表明该算法具有较高的分类识别正确率,可用于与红细胞形态变化相关疾病的辅助诊断。     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.     

基于大间距准则的混合核Fisher判别分析

针对KFDA算法中存在的问题,提出了基于大间距准则的混合核Fisher人脸特征提取算法;首先,将原始数据通过非线性映射投影到高维数据空间;然后,引入大间距准则和混合核函数使得同类样本在投影后离得更近,不同类样本在投影后离得更远;在PIE和AR人脸库中的仿真实验验证了算法的有效性和稳定性。     

基于贝叶斯分类器的图像分类

通过对朴素贝叶斯分类器的讨论, 提出将贝叶斯方法应用于医学图像分割后的图像分类思想. 给出一种基于朴素贝叶斯分类器的图像分类方法, 对从尿沉渣图像中识别出的微粒进行正确分割及特征提取与选择, 并利用朴素贝叶斯分类器进行分类. 实验结果表明, 所提出的方法用于解决图像分类有效.     

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Fisher准则的说话人识别方法研究

在说话人识别系统中,提高反映说话人个性的语音信号特征参数的有效性和实时性是问题之一.本文在使用线性预测系数倒谱(LPCC)和美尔倒谱系数(MFCC)计算特征参数的基础上利用Fisher准则,构造了一种新的混合特征参数.这种新的参数在不增加系统计算量的同时,结合了LPCC和MFCC各自的优点,具有更好地表征说话人特征的能力,并在一定程度上消除特征的信息冗余,有利于信息的实时处理.     

基于纹理特征的回转窑熟料烧结状态分类

采用灰度共生矩阵方法,利用Fisher系数提取出最佳分类位置算子和纹理特征参数,通过对实际回转窑窑头熟料图像分析,发现位置算子为(5,-5)即距离为5、方向为45°下的灰度共生矩阵对应的和平均、逆差距、差异熵、对比度、差方差和熵这6个参数具有较好的区分度,其表面纹理特征能客观地反映其烧结程度,并通过基于C4.5算法实现了过烧、欠烧和正常烧结3种不同状态下的熟料纹理分类,其精度达到了95.65%.同时结合实际工况对熟料纹理进行了分析,给出了各自的变化特点.     

Dynamic Classifier Combination Method Based on Minimum Cost Criterion

ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｍｅｔｈｏｄｏｌｏｇｙｏｆｍｕｌｔｉｃｌａｓｓｉｆｉｅｒｃｏｍｂｉｎａｔｉｏｎａｔｔｒａｃｔｓｅｘｔｅｎｓｉｖｅａｔｔｅｎｔｉｏｎｆｒｏｍｒｅｓｅａｒｃｈｅｒｓｉｎｔｈｅｆｉｅｌｄｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．Ｍｏｓｔｒｅｓｅａｒｃｈｅｓｆｏｃｕｓｏｎｈｏｗｔｏｓｅｌｅｃｔｔｈｅｂｅｓｔｒｅｓｕｌｔｆｒｏｍｔｈｏｓｅｇｉｖｅｎｂｙｓｅｖｅｒａｌｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｅｒｓｆｏｒｔｈｅｐｕｒｐｏｓｅｏｆｔｈｅｂｅｓｔｒｅｃｏｇｎｉｔｉｏｎｒａ…     

一种神经网络集成分类器在暂态稳定评估中的应用

针对神经网络应用于电力系统暂态稳定评估存在的误分类问题，将粗糙集理论和神经网络相结合，运用特征矩阵进行属性约简的基础上，应用装袋策略构造集成神经网络分类器来提高分类准确率，在新英格兰10机39节点系统中的应用验证了该分类器的分类准确率较普通神经网络分类器有较大的提高、     

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题，讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理，提出了一种简化算法．针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足，简化算法不需计算梯度，而是利用固定的迭代步长来实现核函数一个参数的优化．依据简化算法实现了二分类故障分类器的参数优化，并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中．测试结果表明，通过参数优化可提高故障分类器的分类能力．     

基于特征抽取和SVM分类器的故障诊断

为了提高支撑向量机(Support Vector Machine,SVM)的性能,降低时间开销;提出一种基于特征提取的SVM算法,并将其用于汽轮发电机组的故障诊断;使用KFDA(Kernel Fisher Discriminant Analyst)算法提取汽轮发电机组数据的关键特征,并使用SVM分类器对特征数据集合进行分类检测;实验结果表明:算法是可行和有效的,在分类性能和训练时间上都得到了提高。     

一种基于Fisher最优判据的人脸识别新方法

通过对一种计算奇异类内离散度矩阵的Fisher最优判据方法的改进 ,提出一种改进的Fisher最优判据 ,并应用于人脸识别中 .在Olivetti_OracleResearchLab(ORL)和Yale标准人脸库上的识别结果显示 ,此方法比主元分析方法 (PCA)和直接线性判别分析方法 (DirectLinearDiscriminantAnalysis,DLDA)有更好、更高的识别效果 .     

基于多层小波和共生矩阵的纹理表面缺损检测

提出一种利用多层小波和共生矩阵进行纹理表面缺损检测的有效方法.该方法首先将缺损图像在不同水平上进行小波分解,得到一系列低频子图像和高频细节子图像;然后计算和分析各水平上高频细节子图像的共生矩阵特征;最后选择低频子图像进行小波合成得到无纹理图像进行检测.实验证明,该方法能够快速准确地进行纹理缺损检测.     

工程模糊综合评判在继电保护方案选择中的应用

采用工程模糊综合评判的数学模型,对继电保护方案进行模糊综合评判,可作为设计人员在进行继电保护方案选择时的依据。     

基于最大间距准则和差分向量的人脸特征提取

提出了一种结合最大间距准则(MMC)和差分向量的特征提取方法,将其应用在人脸识别中.首先对样本图像进行Gram-Schmidt正交变换得到每类样本的共同向量;然后将每幅原始图像与该类的共同向量之间的差作为差分向量,通过MMC方法得到差分向量的最优投影变换矩阵;最后将测试样本的差分向量和训练样本的差分向量投影到最优投影变换矩阵上获得特征向量,利用三阶近邻分类器进行分类识别.在ORL和Yale人脸数据库上的实验结果表明了该方法具有较好的识别性能.     

基于灰度纹理指纹的恶意代码分类

随着各种新技术的出现,传统的恶意代码的识别和分类技术存在着检测率瓶颈、实时监测效率不高的问题,为了提高准确率,提出了一种基于图像纹理指纹特征与深度学习神经网络结合的分类方法。该方法首先将数据集中恶意代码的二进制文件建模为灰度图,采用改进的灰度共生矩阵提取出恶意代码中的指纹特征图像,并选择不同步长扩展样本量,然后将该指纹特征图像作为输入数据集并采用卷积神经网络模型中进行分类训练。结果表明,该方法可以有效地分类恶意代码,准确率可达96.2%,并在泛化测试中取得了较好的效果。