基于奇异值分解的分类器及在人脸识别中的应用

提出了利用一个人脸样本的奇异值分解构造其所在类别分类器的方法,解决了人脸识别中训练样本少的问题,并给出了利用错归样本更新分类器的方法.实验表明每类仅有一个训练样本就可以得到满意的识别率,并且仅利用一个错归样本更新分类器还可以使识别率进一步提高.     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

集成极限学习机在手写体数字识别中的应用

本文提出了一种ELM_Adaboost算法:把ELM(Extream leanring machine)作为弱分类器,训练ELM预测样本输出,通过Adaboost算法得到多个ELM弱分类器组成的强分类器。利用MATLAB GUI编写一套手写体数字识别系统,采集大量的学习样本,提取数字样本的"十三点网格特征",使用ELM_Adaboost建立分类器。结果表明,该算法能够达到98.5%的识别率,为手写体数字识别提供指导性作用。     

基于中间值的最大间距准则特征提取方法

针对最大间距准则算法中训练样本类内平均值并不能对类内中心做精确估计的问题,提出一种基于中间值的最大间距准则特征提取方法.首先应用样本中间值代替样本的平均值来重新定义类间散度矩阵和类内散度矩阵,然后根据最大间距准则思想得到最优投影矩阵,最后利用三阶近邻分类器进行分类识别.在ORL、Yale和FERET人脸图像库上的仿真实验结果表明,该方法不仅提高了人脸识别率,而且具有较强的鲁棒性.     

融合分类器可信度的数据流集成分类

提出基于分类器可信度的权重计算策略,解决动态数据流集成分类中子分类器权重分配难题.该方法充分考虑了所处不同位置样本对权重计算的影响,利用信息熵描述分类器对预测结果的不确定性,建立分类器可信度与样本之间的关系,进而给出分类器可信度的定量计算方法.最后结合动态数据流分类需求和概念漂移特点,借助批量学习和时间遗忘策略构建基于分类器可信度的动态加权集成分类模型.理论分析和实验结果表明该分类方案可行,相比传统集中方法具有一定的优势.     

基于聚类融合的不平衡数据分类方法

列举了有关基于聚类融合的不平衡数据分类的办法,可以解决少数类的识别率很低,利用传统分类手段予以解决.利用此种方法能够发现,引入少数类边界区域与在多数类核心当中的样本聚类一致性系数,并且分别对欠抽样方法对少数类与多数类的训练集.     

一种基于密度的改进KNN文本分类算法

KNN算法是一种应用广泛的人工智能算法,在文本分类应用中,简单有效,易于实现．但是,KNN分类的时间复杂度与训练样本数量成正比,而且,训练样本分布密度的不均匀性将导致分类准确性的下降．本文在KNN算法的基础上,提出一种改进算法．算法分析了训练样本的分布密度,通过裁减高密度区域训练样本,降低样本数量,调节训练样本分布,达到提高分类准确性的目的．实验证明,基于密度的改进KNN文本分类算法在降低时间复杂度的同时,还具有较好的准确率和召回率．     

基于代价有限的值覆盖决策树

在测试代价敏感决策系统中,测试代价敏感属性约简方法是一种寻找测试代价尽量小的属性集的有效方法．但是,约简后决策系统只保留了简洁完整的信息,其所构造的分类器精度会有所降低．假设我们拥有有限但多于最小测试代价的资源,那么我们可以充分利用这些资源来获得更高质量的分类器．本文针对这种情况做了以下两个工作：1）我们在最小测试代价约筒的基础上添加好属性,寻找一个更好的属性集．2）提出了一种改进的决策树算法,提高分类器质量．该算法选择一些当前最好的属性值来构建结点,这些属性值能够覆盖当前相应的训练集．实验表明：1）改进的决策树算法能够获得比ID3更高的分类准确度;2）与最小测试代价约简的分类器相比,在最小测试代价约筒的基础上添加一些的好属性,可以获得更高质量的分类器;3）该方法在减少测试代价开销的同时,保证了分类器的质量．     

面向Fredholm微分方程的广义拉盖尔多项式求解方法

针对广义分数阶Fredholm方程的求解问题,提出了一种使用广义拉盖尔多项式在半无限区间近似广义分数阶Fredholm方程解的新方法.首先,从每一个类的测试集中,只选择最近的训练样本.然后,将测试样本表示为所有选定训练样本的线性组合.最后,由欧氏度量进行决策,通过修改测试样本与训练样本之间的关系,达到更好的识别效果.谱算法的仿真结果证明,该算法的精度较高且正确合理.     

利用二元结构特征的人脸识别

提出了一种基于二元结构特征提取的人脸识别算法. 该算法将所有类进行两两组合,以两类分类器为基础,为每个两两组合类间的识别挑选最适合分类的特征构成特征选取空间. 对未知样本进行测试时,在特征选取空间中计算测试样本与所有训练类的相似度,将未知样本判断为与之相似度最大的类. 运用AT&T和AR人脸数据库对该算法进行性能测试,与其他算法相比,该算法能在较小的特征维数下获得更高的识别率.     

基于EEMD-SC的机械故障诊断方法研究

针对实际工程中,装备长期处于正常运行状态,故障样本稀少,数据标记困难,导致智能诊断往往无训练样本可用的问题,提出一种EEMD-SC的机械故障诊断方法。首先利用EEMD将已知故障类型的参考样本与待诊断样本数据进行分解,得到若干个IMfs分量。接着,计算出每个IMFs的概率密度。然后利用相关计算得到待诊断样本IMF与不同故障的参考样本对应IMF的相关性,并求出所有IMFs相关性之和,即为所要求的SC值。最后,求出SC最大时的参考故障样本,待检测样本的故障即为此参考样本所含故障。利用包含不同故障程度的内圈、外圈、正常、滚动体故障的轴承振动监测试验对提出方法进行验证。试验结果表明,在每种故障的参考样本均只有一个时,最后诊断结果仍可达到令人满意效果,从而证实了本方法的有效性。     

采用对数预处理的SVM频谱感知方法

为提高频谱感知灵敏度和准确率,减少训练时间,提出一种采用对数函数预处理的支持向量机频谱感知方法.通过实验平台采集出样本集,在保证频谱感知性能前提下,选取一个尺寸最小且具有适用性的训练样本集,利用对数函数对样本集进行预处理,增大主用户信号存在与不存在时样本的平均值之差.实验表明,经对数函数预处理的样本集送入支持向量机进行训练和测试,其频谱感知性能在低信噪比下有明显提高,检测率达到90%以上.     

基于交叉覆盖神经网络的人脸识别

提出一种利用交叉覆盖神经网络(ACNN)进行人脸识别的方法.该方法应用基于几何意义的MP神经网络模型——球面邻域模型,将神经网络的训练问题转化为点集覆盖的问题.通过分析交叉覆盖算法,阐述了人脸识别的训练算法,该算法克服了传统BP算法识别率低和易陷入局部最小的问题.实验结果表明,在采用多样本训练后,该算法具有较高的识别率。     

ρ-混合下回归函数改良核估计的渐近正态性

利用混合序列基本不等式,把φ-混合样本下回归函数改良核估计的渐近正态推广到了ρ-混合样本情形.所得结果对条件的要求要比φ-混合样本情形的弱.     

基于RBF神经网络的手绘电气草图分类研究

手绘电气草图识别输入有益于电路设计者开拓思路,把握全局,提高设计效率,是现代CAD技术的重要发展内容,各类相关成果不断出现,但总还是存在识别率不高、速度较慢,或者手绘约束太多的等问题.结合构成电气符号草图绘制笔画的形状和RBF神经网络逼近特性好,无局部最小,收敛速度较快且拓扑结构简单等优点,该文研究基于RBF神经网络的在线手绘电气草图分类方法.特征按结构特征和关系特征分类处理与应用,并由此构建两级串联分类系统;第一级分类器使用一个RBF神经网络,输入向量为结构特征;第二级分类器包含三个RBF神经网络,输入内容是关系特征向量.试验表明,该方法识别率高,速度快,基本无约束.     

标准Whittaker修匀中参数h的确定

利用正规Bayesian修匀中K-J方法的变形，将后验期望作为标准Whittaker修匀中参数h的取值，充分利用已有样本信息和先验观点，将h视为先验观点相对于样本的可信度来进行修匀，得到一个避免标准Whittaker修匀中参数h主观取值的方法．实例分析表明该方法的有效性。     

压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法. 该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l1范数优化问题来获取分类结果. 实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.     

过滤特征基因选择及演化硬件急性白血病分型

提出一种基于虚拟可重构结构的内部演化硬件癌症分子分型方法. 为有效处理DNA微阵列数据和便于硬件实现,对比研究了5 种基于过滤模式的信息基因选择方法. 演化硬件通过系统学习和系统分类两个阶段对经过特征选择的信息基因进行处理. 对急性白血病数据集的实验结果表明,基于信噪比信息基因选择方法的演化硬件分类器识别率最高. 演化硬件具有和其他传统模式识别方法可比的识别率,识别时间仅需0.12 ms.