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。     

X射线荧光自动分类分析技术在矿产资源环境评价中的应用

在X射线荧光分析过程中,由于分析样品中元素的母质来源及形成条件不同,存在明显的吸收增强-基体效应.本文针对该类影响产生的偏差,通过研究归纳基体产生的特征和物理参数规律,提出合理正确的对样品进行分类是消除元素间基体效应的根本途径.通过神经网络方法建立样品自动分类模型,能够对各种不同的样品进行自动分类识别.经过初步应用,与传统方法进行对比,具有自学习、自组织的特点,不需要对样品做任何假设,所建立的自动分类模型稳定性好,可以多次运作,对未知样品的识别率较高,并且具有很强的容错、抗干扰能力,识别速度较快,基本上可以消除由于不同类样品元素间效应引起的基体效应影响.     

随机平均欧氏距离的统计性质与分类阈值

平均欧氏距离是系统聚类法中使用最普遍的一个距离指标,它是样品分类的重要依据.为了能使分类者更科学地确定分类阈值,对随机平均欧氏距离的统计性质进行了研究,确定了它的概率分布,给出了它的数字特征,为分类阈值的确定提供了理论依据和方法.     

我国沿海常见浮游植物检索数据库的建立

利用本实验室保存的固定和活体硅藻标本，并采集我国沿海常见海洋浮游植物样品，特别是赤潮生物样品，通过数码显微摄影技术，采集不同侧面的藻细胞形态特征图像，同时结合其他手段收集我国沿海常见海洋浮游植物的图片和文字资料．通过net（c#）语言、asp．net等技术初步建立了我国沿海常见浮游植物网络检索数据库，其网络查询界面可实现多分类参数查询．目前该数据库已收录我国常见浮游植物144种，特征图片704张，以硅藻门（93种）和甲藻门（40种）为主．同时对每个种类的分类特征和生态分布特点进行了归类与集成，可通过其细胞主要特征参数或生态分布特征等参数进行详细的信息检索．该数据库为目前国内首个沿海常见浮游植物网络分类数据库．本文简要介绍了建库目标、系统结构、功能与特点，并对该库应用前景作了探讨．     

多元统计、聚类分析法在自然资源开发中的应用

在多元统计、聚类分析方法的基础上，结合计算机及数值分析技术对矿产样品的分类提出一种定量、数值型的分类方法，并将其应用于石油勘探中的油藏分类问题，指出了目前实际工作中存在的偏差．     

基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征，可以提高SCZ的分类准确率，避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息，最小生成树丢失了部分脑区连接，子图虽然保留了拓扑信息，但传统的判别子图的筛选会产生部分冗余信息，进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图，在不损失原有判别信息的情况下，消除冗余信息。使用OpenfMRI的公开数据，对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征，且该特征不受分类算法影响，分类准确率优于已有SCZ分类文献。     

基于7种主要元素特征谱线的LIBS岩性识别

采用激光诱导击穿光谱技术与因子分析以及BP神经网络技术相结合,对5类共9种标准样品进行岩性分类与相互区分.根据样品的主要元素含量选取Si,Al,Ca,Fe,Mg,K,Na共7种元素的波峰构成特征谱.每种元素均选取一个峰作为研究对象,根据峰的形状及大小确定每个峰的波长取值范围.利用因子分析对全谱和特征谱分别进行主成分分析,再将得到的全谱主成分和特征谱主成分以及全谱与特征谱分别输入BP神经网络进行样品的岩性分类与相互区分.在以上4种情况下,样品的岩性分类进行BP神经网络分析,4种结果中以特征谱的识别率为最高,是98.89%;样品的相互区分进行BP神经网络分析,也以特征谱的识别率为最高,是98.89%.实验结果表明,对全谱进行特征提取后得到的特征谱,可以代表全谱进行因子分析和BP神经网络分析,且能更准确与高效地完成样品分类与相互区分.     

基于Dempster-Shafer证据理论的虹膜图像分类方法

为了提高虹膜图像的分类率，提出了一种基于证据理论的虹膜图像分类方法．该方法利用虹膜图像的纹理变化信息来提取虹膜灰度信号的比率特征，并结合证据理论实现了虹膜图像的决策分类，降低了不确定性因素对图像分类的影响，提高了分类率．在相同的实验条件下，对不同数量的虹膜图像进行了实验验证，结果表明，该方法在保持了分类稳定性的同时，其分类率比直方图交叉分类方法和直方图比率特征分类方法分别提高了6．96％和4．44％．     

基于谱聚类算法的高速网络数据流快速分类方法研究

当前高速网络数据流分类处理时，忽略了冗余数据对分类结果的影响，使得分类结果 F1值较低。因此，提出了基于谱聚类算法的高速网络数据流快速分类方法。采用主成分分析法对高速网络数据流进行降维处理。对所有数据流相关性特征进行选择，去除冗余特征，保留有效的特征信息。应用支持向量机算法构建网络数据流快速分类模型，结合谱聚类算法对多数类样本进行聚类，组成新的数据集并将其输入到分类模型中得出相关的分类结果。实验结果表明，所提方法的平均F1值为0.95,F1值越大分类结果越准确，说明该方法能够满足高速网络数据流快速准确分类，具有优越的数据分类性能，应用价值更高。     

基于最小最大概率机的虹膜图像分类方法研究

为了提高虹膜图像分类的准确性和稳定性，提出了一种基于最小最大概率机的虹膜图像分类方法．该方法通过控制错分概率实现分类的最大化，将一般的二维分类问题扩展到虹膜特征的多维空间，并利用最小最大概率机的高维映射泛化特性，实现了不同核函数下的虹膜图像多维分类问题，具有分类准确率高、稳定性好的特点．通过虹膜图像库的实验验证表明，该方法在保持分类稳定性的同时，获得了径向基核函数高达98．55％的分类率，该分类率比最近特征线方法和相异度函数方法的分类率分别提高了4．47％和6．41％．     

基于卷积神经网络的岩石图像分类

在显微镜下分析岩石薄片并对其进行分类时,人工鉴定效率较低且易受主观因素影响,为此提出了一种基于卷积神经网络深度学习的岩石粒度自动分类方法。该方法通过卷积网络模型实现图像特征自动提取,并同时建立模式分类器,实现基于薄片图像的粒度自动识别。采用鄂尔多斯盆地的4 800样品对卷积网络模型进行训练,通过1 200个样品对模型测试,测试集分类结果的准确度达到98.5%。理论分析与数据验证说明,通过深度学习所建立的卷积网络模型能够基于岩石薄片图像获得高效、准确、可靠的自动分类结果。     

少样本条件下高光谱图像空-谱特征分析

在高光谱图像（HSI）分类中，由于标记样本的获取十分耗时耗力，少样本问题一直是该领域的重要研究问题之一.本文先对HSI进行多种空间特征提取，并将这些特征与谱特征融合，以形成多种空-谱特征.然后对多种空-谱特征及其融合进行了实验对比分析.在3个基准HSI数据集上的实验结果表明，在少样本条件下，空-谱特征融合下的HSI分类精度显著高于仅用谱特征的分类精度；多空-谱特征融合方法的分类精度显著优于单一空-谱特征方法的分类精度.     

基于神经网络的超声无损检测缺陷定征方法的研究

针对超声无损检测中缺陷分类难、分类结果可靠性差等问题，给出了一种以神经网络为基础的缺陷特征分类方法。利用Ｆｉｓｈｅｒ线性判别方法对表征缺陷特征的时域信号的波形参数进行了选择，并将这些参数作为神经网络的输入矢量对网络进行训练，用该网络对缺陷特征进行了识别，结果表明：神经网络的识别率远大于传统的贝叶斯分类方法。     

一种基于宽度学习系统的谱-空高光谱图像分类方法

宽度学习系统(BLS)通过扩展网络结构的宽度有效地克服了深度学习中训练耗时的问题.由于在分类过程中缺失了空间信息的使用，BLS往往不能获得满意的分类结果.为了改善BLS的分类性能，提出了一种基于BLS的光谱-空间高光谱图像分类方法(PBLSS).该方法利用主成分分析方法对波段子集进行特征提取，然后用主成分代替原来通过随机特征映射得到的特征节点，从而丰富了特征节点的信息；利用超像素对分类图进行后处理，明显地改善了BLS的分类性能.3个常用的数据集的实验结果表明，PBLSS方法比BLS的分类精度有了明显的提高.     

基于Bayes决策的手写体数字识别

提出了一种用Bayes决策理论进行手写体数字识别的方法，对已知类别的样品提取特征建立数字样品库，对于任意的手写数字提取特征，根据数字样品库中已知样品的特征，运用基于最小错误概率的Bayes决策进行识别、实验证明Bayes决策理论用于手写体数字的识别有较好的效果，一般情况下识别率能达到96％以上．     

组套索超图正则化特征选择方法及抑郁症分类研究

【目的】抑郁症分类诊断研究中，特征选择扮演了重要角色。【方法】针对现有超图正则化特征选择缺失组效应信息问题，提出基于组套索的超图正则化特征选择方法。首先，对抑郁症功能磁共振影像(functional magnetic resonance imaging, fMRI)数据集进行预处理。其次，基于预处理后的功能磁共振数据，构建5个不同尺度的脑网络模型并计算拓扑属性提取特征。基于提取的特征，利用组套索方法构建超图，利用超图正则化特征选择方法进行特征选择。最后，使用支持向量机构建分类模型并评估分类性能。此外，还在UCI数据集中验证了所提方法的有效性。【结果】所提方法在5个不同节点定义模板下，均高于传统的特征选择方法。此外，在模板的节点数量相似的情况下，此方法有更高的分类诊断性能。     

基于多重分形关联和深度CNN的常规雷达目标分类方法

针对传统分类方法中飞机雷达回波信号识别分类精度低、人工定义特征稳定性差的问题，提出基于多重分形关联特征和深度卷积神经网络(convolutional neural network,简称CNN)的雷达目标分类方法.首先，对输入训练数据进行多重分形关联分析，将多重分形关联谱的投影图作为输入特征图；然后，利用深度卷积神经网络对特征进行训练，得到训练模型；最后，使用训练后的模型对目标进行分类.实验结果表明：相对于其他3种方法，该文方法有更强的飞机分类性能.     

面向特征融合与知识蒸馏的恶意软件分类

恶意软件分类是一个多分类任务，旨在提取软件特征来训练模型，以判断恶意软件的类别。现有工作主要集中于利用深度神经网络从恶意软件图像中抽取特征进行分类，对恶意软件的序列特征和分布特征之间的关联性缺乏关注，限制了模型性能。此外，这些现有模型大多具有较高的参数量，往往需要占用较大的计算资源。为此，提出一种基于特征融合与知识蒸馏的恶意软件分类方法。一方面，通过残差网络分别从灰度图和马尔可夫图中抽取恶意软件的序列特征和分布特征，并利用自注意力挖掘不同特征之间的关联性，以提升模型性能。另一方面，通过教师网络向多个学生网络进行知识迁移，并让学生网络互相协作学习，以进一步降低模型规模。在微软和CCF数据集上的实验结果证明，该方法不仅有效提升了模型性能，而且可以降低模型的参数量和计算量。此外，本文通过热力图定位影响分类结果的字节，对分类依据进行解释。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

用于锋电位分类的二阶差分表示法

针对锋电位在相似度高及存在大量叠加锋电位时分类结果不理想的问题，提出了一种新的锋电位特征表示方法一二阶差分表示法．该方法对锋电位波形求取二阶差分，以二阶差分序列作为锋电位的特征信息，形成新的样本向量进行分类．该方法对Wave_clus中不同信噪水平的数据分别进行了实验．实验表明，该方法描述了锋电位波形在各个时刻的波形趋势，在一定程度上能够扩大不同类型波形之间的差异性．将此方法用于锋电位分类，尤其是叠加锋电位分类，可以提高分类准确率，并且可以有效的避免噪声的干扰．