多元图图形基元和特征基元提取与表示方法

提出一种多维数据多元图图形基元和特征基元提取和表示的方法.首先应用多维数据多元图表示原理实现无结构数据的结构化表示,然后在建立基于多元图图形基元和特征基元表示的一般化表示模型基础上,提取出了表征多元图图形的图形基元和特征基元.为验证该方法的正确性,采用UCI机器学习数据库中的Iris等数据进行了分类实验,不同分类方法实验结果对比证明该方法具有较好的识别效果.     

基于色度学空间的多元图表示

针对传统的多元图表示可以表示信息在空间中的几何分布,但无法表示类别概率的缺点,本文提出基于色度学空间的彩色多元图表示。在保留传统多元图表示优点的基础上,集成了色度学维度,利用色度混合原理表示不同类别数据在空间点所占的比例,有利于通过直观的视觉认识类别分布信息以及引入图像处理方法。比传统的多元图表示更适合可视化模式识别的应用。     

基于多元统计分析的触觉图象模式识别

在触觉图象的统计描述特征量基础上，提出了用多元统计分析中得判别分析，对常用的特征量进行了选择，使判别更为有效，并给出了实用的判别方程，借此可以提高判别的正确率，也可解决圆和六角形易误判的问题。     

基于2D图表示原理的模式识别研究开放性问题

在基于多元统计图表示原理的信息融合与模式识别研究取得阶段性成果基础上,给出了可视化模式识别的理论研究框架关联图.基于对理论框架关联图的分析和分解,提出了基于2D图表示原理的模式识别研究开放性问题.这些问题既是需要深入研究的工作,也是完善这个重要理论的基础,对于建立一个崭新观点的模式识别理论具有重要意义.     

一种多元图图形特征向球面坐标映射的可视化方法

提出一种将二维多元图图形特征映射到三维球面坐标的可视化方法。提取二维多元图中雷达图的面积特征、融合矢量的长度和角度特征,通过球面坐标映射将其有机融合到3D球体空间。对Iris数据集的实验结果表明,该方法具有较高的灵活性,能有力揭示数据结构。     

基于多元图形特征融合原理的降维方法研究

降维是将高维模式映射到低维子空间的过程.在降维后的低维子空间进行分类往往能得到更好的效果.本文以高维数据为研究对象,采用多元描述图对高维数据进行可视化表达,采用多元图图形特征融合的方法对高维数据进行降维,用K邻分类器进行分类效果评价.与Fisher线性判别及其他一些常用非线性降维方法相比,本文所提方法在数据的可视化以及分类精度等方面均有较好效果.     

雷达图图形特征提取中的特征排序

基于多元数据的雷达图图表示,提出了雷达图重心图形特征.针对同样的多元数据不同的特征排序会导致不同的雷达图图表示,进而产生不同的重心特征,而这些重心特征会最终影响分类器的性能,因此提出一种新的问题,即雷达图图形特征提取中的特征排序问题.基于这个新的问题,设计了一种新的解决方法,即提出了基于改进的遗传算法的特征排序.同时也研究并改进了传统的基于排序的特征选择方法.基于一些机器学习数据库的分类实验结果表明:一方面,数据的原始特征排序下的重心特征和传统的特征提取方法相比,并不总是最优,但是在遗传算法下特征排序的重心特征优于传统的特征提取方法;另一方面,在遗传算法下特征排序的重心特征优于传统的基于排序的特征选择方法下的重心特征.尤其对于高维小样本的肺癌数据达到了12.5%的留一法交叉验证错误率,效果非常好.乳腺癌数据和糖尿病数据等的分类结果优于目前国际上的报道.     

模式识别中的图结构描述方法综述

从概率图、组合图、代数图和几何图等模型角度综述模式识别中图结构的描述.分别讲述每一类图模型的图结构构建形式和计算方式,回顾其起源,归纳其历史发展过程,分析其研究现状.其中,着重论述各类图模型描述的不同特点和潜在关系,剖析未来发展方向.引用基于图模型的模式识别发展史上具有代表性的论著,介绍引领方向的研究学者,旨在帮助读者理清图模型的发展脉络,把握其前沿动态.     

模式识别中基于Boosting的特征筛选

提出了一种基于Boosting的特征筛选算法.根据Boosting分类训练时的训练错误率、训练过程中错误率的收敛速度以及测试错误率确定特征影响因子;利用这些影响因子对待识别目标的特征进行排序,去除冗余特征,以降低特征空间的维数.对于筛选后保留的特征,根据其影响因子进行加权,以提高目标识别的准确率.用该方法可避免其它分类学习器训练时的过学习现象,生成的分类器模型小,识别速度快,适用于对特征不易确定的目标识别.     

基于形状不变特征和三维几何参数的工件识别方法

该文提出一种扁平工件识别新方法。首先根据图象平面和工作台平面之间的变换计算出工件轮廓点的近似三维坐标,并根据这些近似三维坐标计算出有关的几何参数,然后利用几何参数和工件物体的形状不变特征,采用分层匹配的方法进行识别。根据文中方法设计并实现了一个由单个摄像机构成的工件识别系统,实验结果表明该方法是可行且有效的。     

多元数据的复系数星座图及其优化方法

星座图是多元数据可视化的一种常用方法,具有直观、形象的特点,可以通过调整权系数来对数据进行交互式挖掘.但是传统的星座图缺乏自动调整权系数的较好方法,因而限制了其在可视化数据分析和模式识别的进一步应用.本文将传统的实系数星座图推广为复系数星座图,并且提出了基于复线性判别分析算法对星座图权系数进行自动优化的方法.对4个数据集的实验结果表明,复系数星座图可以较好地表达高维数据的结构关系,并且可以和有关机器算法结合对数据进行可视化分析.     

基于雷达图表示原理的英文字符识别方法

在多元数据多元图表示原理理论基础上,提出了一种新的字符模式识别方法.首先基于多元数据雷达图表示原理进行字符的非数值数据-数值数据变换,进而实现字符信息的雷达图表示;然后对待识别字符进行多元图图形基元和特征基元分析,形成字符识别的多元图基元表示模犁;最后在字符识别的多元图基元表示模型基础上实现字符识别.本文以手写体大写英文字符的识别为例介绍该方法,通过实验证明该方法具有较好的识别效果.     

A Graph Drawing Algorithm for Visualizing Multivariate Categorical Data

In this paper, a new approach for visualizing multivariate categorical data is presented. The approach uses a graph to represent multivariate categorical data and draws the graph in such a way that we can identify patterns, trends and relationship within the data. A mathematical model for the graph layout problem is deduced and a spectral graph drawing algorithm for visualizing multivariate categorical data is proposed. The experiments show that the drawings by the algorithm well capture the structures of multivariate categorical data and the computing speed is fast.     

Star pattern recognition method based on neural network

Star sensor is a sensitive instrument for determina-tion of a spacecraft attitude with high accuracy. The in-strument can determine the spacecraft 3-axis attitude through the recognition of observed stars. It measures star magnitude and star coordinates in the spacecraft coordi-nate frame. The measures are then compared with a refer-ence star catalog to obtain the attitude information of the spacecraft[1,2]. The purpose of star pattern recognition is to identify the corresponding relations bet…     

基于Curvelet稳定特征曲面的掌纹识别新方法

针对掌纹特征提取困难、稳定性较差以及特征维数较大的问题,提出一种基于Curvelet稳定特征曲面的掌纹识别方法.将掌纹图像经Curvelet变换得到稳定特征曲面,把该曲面作为特征进行匹配,不仅避免了特征提取或图像编码等传统繁琐操作,而且特征维数较低,在保证识别精度的同时,图像稳定性增强,识别速度较快.最后,采用归一化相关分类器对掌纹所属类别进行判定,通过PolyU掌纹库的验证,本文算法的等误率为1.769 0%,匹配时间为16.6 ms,表明了本文算法的有效性.     

模式特征的几何代数多向量表示方法

模式表示是模式识别的一个基本问题。传统统计模式识别理论中模式特征一般表示为一个数值向量,并被视作维欧式空间中的一个点。这种表示方法只利用了一阶特征,容易丢失模式特征间的关联信息和高阶结构。本文首先阐述了几何代数的公理化定义和一些基本概念,然后将传统的模式特征向量表示推广为几何代数空间的多向量表示,接着讨论了该表示的两种特例,最后阐述了基于该多向量表示进行特征提取和分类的一般思想和需要进一步研究的问题。     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。