多尺度区域特征的细粒度分类算法研究

为了避免复杂背景对精细目标分类的影响,充分利用卷积神经网络提取的目标全局和局部信息进行细粒度任务的研究,提出了一种多尺度区域特征的细粒度目标检测与分类算法.该方法先使用FASTER-RCNN框架训练3个尺度区域的卷积模型进行多尺度目标区域定位,对定位的结果进行包围盒约束和海伦约束以优化提高定位的精确度,然后将提取多个尺度区域的特征进行组合,并用支持向量机训练细粒度分类器.在Caltech-UCSD鸟类数据集和Comp Cars车型数据集上进行实验测试.实验结果表明该算法在Caltech-UCSD鸟类数据集的分类正确率达到82. 8%,比没有使用多尺度区域特征的分类算法提高了7. 5%,比基于部件的分类方法提高了8. 9%;在Comp Cars车型数据集的分类正确率达到93. 5%,比没有使用多尺度区域特征的分类算法提高了8. 3%,比最优的Google Net精细目标分类算法提高了2. 3%,验证了该算法的有效性.     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

最短特征线段多分类器系统设计

为提高多分类器系统分类的性能,设计了一种使用最短特征线段分类器的多分类器系统。依据最短特征线段分类算法工作机理,利用特征线段长度表征样本隶属于各个类别的可能性,即模糊隶属度,对成员分类器输出形式完成由摘要级至度量级的重新建模,更多地保留输出细节以减少信息损失,进而利用基于模糊的证据融合规则实现成员分类器的度量级融合,通过隶属度到mass函数的转换,利用模糊-证据融合规则实现多分类器系统的构造,进一步提高了多分类器系统分类性能。采用人工数据集和UCI数据集设计了对比实验,实验表明,与其他邻域型分类器构造的多分类器系统相比,新多分类器系统能有效提升分类正确率。     

基于数据融合的井下瓦斯浓度状态预测

针对现有方法中单独使用神经网络进行瓦斯预测时正确性得不到保障的问题,引入了数据融合的方法进行修正,期望在决策层达到提高正确率的目的。首先,将原始数据降噪,通过状态划分以明确模型中DS证据理论所需要的识别框架;然后,在保持数据拓扑意义不变的情况下,将数据重构为多维向量作为样本数据,利用该样本训练BP神经网络和径向基函数神经网络得到独立的2个预测模块,再选取样本训练得到分类器;最后,结合统计误差从证据折扣的观点来构造DS证据理论中的基本概率分配函数,使得数据在融合的过程中减少冲突。结果表明,提出的"预测-分类-融合"模型对瓦斯浓度区间判断的正确率比单独使用神经网络预测时的高。利用状态划分和数据融合可以对瓦斯数据进行有效的映射;在构造分类器时可以结合相关性分析,以得到更多的证据体,有利于挖掘出潜在的信息,指导安全生产。     

结合可信度和DS证据理论的ECOC多类分类研究

针对多类目标识别问题,利用三符号纠错输出编码作为将多类分解为若干个二类问题的结构框架,用改进的证据理论作为融合策略,将每一个二分器的输出作为证据之一进行融合;同时对分类器的可信度进行估计,并将得到的信任度量值融入证据中,从而提高多类分类的正确率。实验中分别对UCI数据集和三种一维距离像数据集进行测试,结果表明本文提出的基于分类器可信度的多类目标识别方法能有效地提高复杂环境下多传感器目标识别的正确率。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

利用BP神经网络预测蛋白质三级结构

在已知的蛋白质结构研究方法基础上,提出将多分类问题转化成一对多的二分类问题,来预测蛋白质的未知结构.训练多个单分类器进行分类;选用后向传播(Back Propagation, BP)神经网络作为分类预测模型;以伪氨基酸作为网络输入特征;选用Chou提出的蛋白质数据集;实验数据采用全交叉验证(Jackknife).结果表明:此法能够提高蛋白质三级结构预测的准确率.     

手写数字识别中组合式神经网络的构建方法

将聚类技术和遗传算法相结合, 提出一种基于相似度传播算法和遗传算法的神经网络集成方法应用于手写数字识别问题. 先分别利用主成分分析和Fisher线性判别分析对数据集进行特征提取, 得到两类特征数据集, 再利用Bagging方法分别为这两类特征数据集训练简单的BP神经网络, 然后采用相似度传播算法对这些BP神经网络进行聚类, 找到作为类簇中心的网络(中心网络), 最后利用遗传算法对所有中心网络的权值进行训练, 将中心网络进行加权线性集成作为最终分类器. 在标准手写数字数据集MNIST上进行测试的实验结果表明, 该方法的识别率优于单个神经网络的识别率, 并兼顾了分类效率.     

多分类问题的RBF 二叉神经树网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时 ,神经网络结构复杂、训练时间激增、分类性能下降。基于两类问题的树网络多分类方法将两分类方法和判决树相结合 ,利用两分类方法来减少神经网络的训练时间 ,利用树型分类器来提高识别率。提出了一种多分类问题的二叉神经树网络结构和训练算法。利用两分类网络的训练结果对类别进行排序处理 ,并应用排序后的类别序号构成树型分类器 ,使可分性最差的类别的识别率提高最大 ,从而提高了整体分类性能。使用径向基函数 ( RBF)网络作为节点网络 ,使节点网络结构适应两类间的可分性 ,从而最终优化了神经树网络的结构。仿真实验表明该方法的分类性能优于现有方法     

基于K-means-RBF的鸡肉品质分类方法研究

鸡肉在贮藏和运输过程中容易腐败变质,利用高光谱成像技术的图、谱合一特点,同时获取鸡肉的光谱特征和纹理、颜色特征,通过鸡肉的内在特征与外在特征综合实现鸡肉品质快速分类。制备62份鸡胸肉样品,通过理化分析分为放心食用、可食用、不建议食用和不可食用4类;以已知分类结果的42个样品作为训练集,将纹理、颜色、光谱特征作为K-means-RBF神经网络的输入,确定K-means初始分类中心、训练RBF神经网络,构建K-means-RBF鸡肉品质分类模型,并利用剩余20个样品作为测试集,对K-means-RBF鸡肉品质分类模型进行测试。测试结果显示,通过训练后的K-means-RBF神经网络对20个测试集样品的分类正确率达到100%;而分别采用纹理、颜色和纹理颜色综合特征作为输入建立的分类器,正确率分别为85%、80%、95%。鸡肉品质分类成功利用了高光谱成像技术“图谱合一”的特点,实现了鸡肉品质的综合检测,验证了K-means-RBF融合方法在高光谱数据分析中的有效性,及单一特征在分类中的局限性。     

基于AP算法支持向量机的设计与应用

设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器, 使用AP聚类算法优化数据集, 得到了高质量、 小样本的SVM分类器训练集. 实验结果表明: 与传统的SVM分类器相比, 混合分类器具有更高的分类精度; 在心脏病预测上, 该分类器的效果较好.     

一适用于超多类手写汉字识别的新改型Adaboost算法

提出一种适用于超多类手写汉字识别的新改型Adaboost算法,采用基于描述性模型的多类分类器（modified quadratic discriminant function,MQDF）作为Adaboost基元分类器,可直接进行多类分类,无需将多类问题转化为多个两类问题处理,其训练复杂度大大低于已有的多类Adaboost算法。算法提出根据广义置信度更新样本权重,实验证明这种算法适用于大规模多类分类问题。为了降低算法的识别复杂度,提出从所有训练后得到的Adaboost基元分类器组中选择一个最优的基元分类器作为最终分类器的方法进行删减。在HCL2000及THOCR-HCD数据集上进行实验证明,所提改型Adaboost算法提高了识别率的有效性,该算法的相对错误率比现有最优算法分别下降了14.3 %,8.1 %和19.5 %。     

二进制粒神经网络及其在分类中的应用

为了提高分类器的正确识别率并降低特征选择的时间复杂度, 提出二进制粒神经网络框架.在该框架下,提出一种二进制粒神经网络分类算法.该算法通过二进制粒矩阵将特征空间进行最优约简,并利用基于BP的学习算法实现分类;将该算法在UCI数据集上进行测试,并与BP神经网络分类算法进行比较.仿真实验表明,二进制粒神经网络分类算法比BP神经网络分类算法分类正确率更高,泛化能力更强,是一种有效可行的分类算法.     

利用证据理论的多分类支持向量数据描述算法

针对原始多分类支持向量数据描述(SVDD)算法及其拓展算法忽略超球体之间的差异，且未能充分利用超球体的输出信息等问题，提出一种利用证据理论的多分类支持向量数据描述(证据SVDD多分类)算法。首先，为每一类样本训练一个超球体，并计算每个超球体的正确率与紧密程度；接着使用上一步得到的正确率与紧密程度计算每个超球体的可靠程度；然后，根据超球体的输出信息与可靠程度计算样本的信度函数，信度函数的生成方式采用三焦元法和基于评价矩阵的方法；最后，根据Dempster组合规则融合上一步得到的信度函数，使用Pignistic法将融合后的信度函数转换为概率做出最终的判决。在两个人工数据集和多个UCI数据集上进行实验，结果表明，证据SVDD多分类算法相较传统算法可以获得更好的分类性能；在多个数据集上的仿真结果表明，证据SVDD多分类算法比传统的SVDD多分类算法有3%的精度提升。     

基于跨层精简双线性网络的细粒度鸟类识别

细微的类间差异和显著的类内变化使得细粒度图像分类极具挑战性。为了对鸟类图像进行细粒度识别,提出一种基于跨层精简双线性池化的深度卷积神经网络模型。首先,根据Tensor Sketch算法计算出多组来自不同卷积层的精简双线性特征向量;其次,将归一化后的特征向量级联送至softmax分类器;最后,引入成对混淆对交叉熵损失函数进行正则化以优化网络。提出的模型无需额外的部件标注,可进行端到端的训练。结果表明,在公开的CUB-200—2011鸟类数据集上,该模型取得了较好的性能,识别正确率为86. 6%,较BCNN提高2. 5%。与多个先进细粒度分类算法的对比,验证了提出模型的有效性和优越性。     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制系统中的校正网络进行故障检测与诊断．单个神经网络分类器对某些特定的特征量进行分类，对应实际系统特征量的网络输出值与相应训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际系统属于某类的度量值．证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果．实际应用表明，此方法可以检测与诊断出单一分类器不能发现的故障，同时也减少了利用单个分类器对不同故障进行检测与诊断时的不精确性     

莱斯衰落信道下 MQAM 信号调制方式自动识别方法

针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络（CNN）模型以及特征参数结合深度神经网络（DNN）分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制（MQAM）信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。     

基于改进ConvNeXt的COVID-19胸部图像分类

针对新型冠状病毒感染胸部 X-ray 图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于 ConvNeXt 卷积神经网络改进的分类任务算法 ConvNeXt-AT。 ConvNeXt-AT 分类模型首先通过在 ConvNeXt Block 层添加混合域注意力机制 CBAM 来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到 ConvNeXt-AT 模型;然后针对 X-ray 图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在 COVID-19 公开的大型数据集共 21165 张图片进行对比实验。 实验结果表明,在训练数据集充分的情况下,改进的 ConvNeXt-AT 模型相较于常用分类模型 ResNet-50、MobileNet、EfficientNet 以及原 ConvNeXt-T 在准确率上分别提升了 2%、2. 7%、2. 1%、1. 9%。 最后通过 Grad-CAM 显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性。     

神经网络分类器动态集成方法

提出一种神经网络分类器的动态集成方法.基于bootstrapping构建不同的个体神经网络,针对混合属性,通过不同的加权最近邻设计评估单个网络的分类精度,在此基础上动态选择误差率较小的神经网络,经过投票形成集成分类结果.将该方法与其它几种集成方法在10个UCI数据集上进行了分类性能比较.实验结果表明,该方法在上述所有数据集上的平均分类精度最佳,同时发现,Bagging比隐层神经元数法能更好地生成个体网络,而将两者结合起来训练个体神经网络,并不能明显提高集成性能.