一种新的插值分类方法

提出一种内插法做分类决策(AIMMCD),这种方法使用训练集模式的类标签区分不同模式.与相对于传统的模式识别技术相比,AIMMCD有着自身优势.第一,使用AIMMCD来产生测试模式的类标签时,不需要任何训练过程.即AIMMCD计算效率较高.第二,使用AIMMCD预测真实数据的类标签时,它以合理的方式考虑到训练资料的所有模式中类标签的信息.事实上,该算法假定当训练样本接近一个模式,都会对这个模式类的预测影响很大,而对远离这种模式的训练样本没有什么影响.第三,虽然AIMMCD形式简单,但它不但适用于二分类问题,还可直接用于多分类问题.     

一种新的分类评测方法

分类算法的现有评价指标存在一些问题,主要是评测数值在不同的数据集上呈现剧烈波动。为解决这一问题,通过考察数据集对分类结果的影响,提出了一种对分类算法的新评测指标new-macro-F1。这一新评测指标将数据集的因素从评测过程中独立了出来,使得new-macro-F1表示的仅仅是分类算法本身。实验结果表明使用新评测指标,同一分类器在不同数据集上的表现波动较小;通过分类器在一个数据集上的表现,可以近似的估计该分类器在另一数据集上的分类质量。     

一种新的聚类方法—（0,1）模型矩阵法

在对高维大数量模式样本进行分类时,一般都要用逐步聚类方法多次完成。首先要尽量获取和利用先验知识进行初始划分,找出凝聚中心;再逐步调整进行细分类。本文提出一种新的聚类方法——(0,1)模型阵法。它可简单快速地完成高维大数量模式样本的粗分类,对提高后续的细调整分类提供一个良好的初始条件。在模式样本可分性较好或精度要求不高情况下,此方法是一种快速一次完成聚类法,不必再作后续精调。     

一种基于模式识别分类器的图像融合方法

针对传统的模式识别方法使用单特征来确定某一模式的分类效果。提出了一种适合任何分类问题的模式识别方法。该方法与基于分类器直接分类结果的分类器融合方法相比在图像的边缘点具有很好的分类效果等优点。提高了分类精度;它是通过最优决策函数来实现分类的。     

SVM网页分类中一种新的特征提取方法

随着互联网的迅速发展,对网页正确分类显得越来越重要。网页分类的一个难点就是特征空间的维数比较大,支持向量机(SVM)分类方法显示出比其它分类方法更好的性能,但是训练样本时却花费了比其它算法更多的时间。本文提出了一种基于选择最确信的词来预测一个文本的类别的特征提取方法,通过中文文本实验,结果表明在不降低分类准确性的前提下,缩短了训练时间。     

一种新的支持向量机光滑函数

推导并证明了一个高阶光滑函数,分析了其若干性能．结果表明：该函数具有比1～7阶光滑函数更好的逼近性能,为支持向量机的进一步研究提供了新的光滑函数．     

一种基于SVM的主动多分类方法

针对传统的多分类模型学习效率较低,对于复杂的多类别数据无法进行高效分类的问题,提出了一种基于支撑向量机(Support Vector Machine,SVM)的主动多分类方法.该方法通过引入就绪分类器和阻塞分类器的概念,将主动学习的策略用于SVM多分类器的构造过程,在主动多分类过程中随着分类器的不断更新,动态地控制样本...     

一种新的基于多示例学习的场景分类方法

多示例学习是近年来才出现的一种新的学习框架,并以其对多义性对象的出色表示能力而被成功地运用在图像分类任务中。首先提出了一种新的图像多示例包生成方式,采用特征的概率分布表示图像,并对图像像素分布提取一个高斯混合模型,将每个高斯分布作为一个示例,生成图像的多示例包。然后,在对图像进行分类时,采用了信息瓶颈聚类把多示例包转化成单示例,从而将传统的单示例分类器用在该问题上。为了提高分类器的泛化能力,对多个分类器进行了集成。选取了5类自然场景图像进行试验,结果显示所提出的方法平均性能优于当前常用的一些多示例学习算法。     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。     

一种新的多分类器融合方法

提出了一种新的基于多分类器联合的模式识别方法,该方法引入图像处理领域的对比度概念,对多分类器系统中不同基本分类器的融合权重动态赋值,并通过融合权重联合所有基本分类器决策信息,同时构建一个临时的全局分类器来做出模式识别任务的融合决策输出.试验表明该方法在模式识别性能上能够获得较好的性能.     

一种新的多分类器融合方法

提出了一种新的基于多分类器联合的模式识别方法,该方法引入图像处理领域的对比度概念,对多分类器系统中不同基本分类器的融合权重动态赋值,并通过融合权重联合所有基本分类器决策信息,同时构建一个临时的全局分类器来做出模式识别任务的融合决策输出.试验表明该方法在模式识别性能上能够获得较好的性能.     

一种新的基于分类模式识别的图像编码算法

提出了一种新的基于分类模式识别的图像编码方案,基本思想是: 1)先利用模式识别对图像进行预测,然后进行DCT编码;2)将图像分为高频和低频2个区域分别进行模式库的训练,以提高图像预测效果. 实验表明,与基于未分类模式识别的图像编码算法相比,所提算法具有更好的预测编码性能, 在压缩比为30∶1时,重建图像的平均峰值信噪比PSNR有1.3 dB的改善.     

最近邻搜索用于分类问题的一种改进

最近邻搜索广泛应用于分类问题,其最显著的优点是分类准确率高、泛化性能好.但现有最近邻分类算法都存在着一个弱点——样本集增大分类计算量也显著增大.为了克服这一不足,本文基于一个新的思路,提出了最近邻分类方法的一种改进方法.该方法在进行最近邻分类时,不一定要找到待分类点的最近邻点,而只要知道最近邻点的类别即可,大大地减少了最近邻搜索时的计算量.用经典的分类问题双螺线问题(TSP)以及其他几个例子,就该改进方法的分类效果、分类速度和学习性能等3个方面进行了测试,并与经典的K维双叉树(KD树)最近邻搜索法以及压缩近邻法进行了比较.结果表明,就综合性能而言,本文改进方法是有竞争力的.     

一种结合本体和焦点的问题分类方法

鉴于问题分类是问题分析的主要任务,提出一种结合本体和焦点的问题分类方法.首先依存分析和语义角色标注对问题进行浅层语义分析,再根据预定义的问题焦点结构和焦点抽取规则,获取问题焦点语义表征;然后标示问题的类别为问题焦点中疑问对象在领域本体中的标识;最后,根据焦点不同则问题不同这一事实,将焦点相同的问题归为一类,从而实现问题分类.使用该方法对计算机故障诊断领域1 905个特指问题分类,取得了93.91%的准确率,验证了领域本体和焦点对问题分类方法的有效性.     

一种新的多类SVM方法及其在文本分类中的应用

提出一种将SVM扩展到多类文本分类问题的新方法,此方法有增量模式及批模式两种应用途径。其中,批模式提供了一种其他多类SVM替代方法;而增量模式在重复利用原有模型的基础上将新增类别的知识信息以增量方式更新到分类系统,整个分类器不需要全部重新学习,需要的计算量较小。实验表明增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间;两种模式的分类效果与其他方法相当。     

水库地震的一种新的分类方案

本文提出了水库地震的一种成因分类方案.按照库水作用下的导致地震形成的宏观现象,将水库地震分为滑塌型、气爆型、断层型和混合型.     

一种新的中文文本分类算法

对于中文文本分类问题,使用了一种新的RBF神经网络算法.这一方法通过高斯径向基函数,使用k均值推导出隐藏项的中心点及宽度,并将由隐藏层得到的输出结果合并起来,从而得到分类结果.试验证明,这种算法的准确率、召回率、F测量的值都很高,得到的分类效果很好.     

一种新的巷道围岩稳定性分类模型及其应用

在分析以往一些巷道围岩稳定性分类模型存在的不足之处的基础上,给出了一种新的模型。此模型通过计算研究对象所属的各个已知模式的相对录属度和级别特征值,判断了研究对象的分属模式。最后,给出了应用实例。     

一种新的二步指纹分类方案设计

设计了一种新的指纹二步分类方案,该方案先用基于MKL方法的分类器为待分类指纹确定两个最具可能性的类,再利用经过训练的SPD分类器对第一步的结果进行二分类．用本文的分类方法对标准指纹分类库NISTDB4上的2000枚指纹进行实验得出五分类正确率为95．5％,四分类正确率为96．9％,分类结果优于目前参考的各种分类技术．     

一种基于多层决策树分类的入侵检测方法

分类技术在应用于入侵检测时,会因为待识别的用户行为类型的增加,造成分类性能的下降,从而影响检测的准确率。针对这一问题,本文研究了数据记录类型所存在的层次性现象,并据此提出了一种多层分类方法,以减少分类算法所需要识别的记录类型。以决策树为分类算法,使用该方法对KDD_Cup₉9数据集训练多层分类模型,取得了良好的分类性能,特别是明显改善了小比例样本的识别性能。