一种适于高维时间序列的特征提取方法

为了获得更多的信息,越来越多的数据利用多路传感器进行采集,由此产生了大量的超高维时间序列。特征的提取在处理和传输这些数据中起到至关重要的作用。为此,提出一种最优鉴别平面(ODP)技术以消除数据冗余。该平面由两个在Fisher准则基础上建立起来的相互垂直的矢量组成,将模式样本投影到ODP上可得到二维特征矢量。为了衡量特征的有效性,分别用二次判别函数分类器和阈值矢量分类器对特征进行分类测试。同时,以心电信号为例对ODP方法进行测试,结果表明,该方法应用于超高维数据的特征提取是行之有效的。     

一种改进的最大间距准则人脸识别方法

针对最大间距准则在人脸特征提取过程中的不足,提出一种统计不相关的加权最大间距准则人脸特征提取方法。首先对最大间距准则的类间散度矩阵和类内散度矩阵加乘权函数。然后在准则函数中利用双参数调节类间散度和类内散度对特征抽取的影响力。最后通过Schmidt正交化得到统计不相关的最佳鉴别矢量集。在ORL和Yale人脸图像库上的仿真实验结果表明,克服了最大间距准则的缺点,提高了人脸识别率。     

基于局域判别基空间能量的特征提取

针对模式识别中如何提取信号有效特征的问题,对信号进行小波包分解,求取小波包局域判别基,提出求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量。在水声模式识别实例中应用此方法提取特征矢量进行分类实验,取得良好的分类效果,验证了该方法的有效性。     

一种基于核最大间距准则改进的特征提取方法

针对非线性特征提取问题,基于核最大间距准则(KMMC),提出一种新的特征提取方法,即一组具有统计不相关性的最优核鉴别矢量集的简单计算方法.与原KMMC特征提取方法相比,新的特征提取方法消除了最优核鉴别矢量间的统计相关性,提高了特征提取的有效性.通过在ORL人脸库和YALE人脸库上进行试验,结果表明提出的特征提取方法在有效性方面整体上好于原KMMC特征提取方法和常用的核主成分分析(KPCA)法.     

一种构建波动模态组的复杂网络分析方法研究

以公共自行车实际数据为基础,将其布点的存量时间序列转换为有限的模态序列,以进一步进行时间序列波动性分析,并提取序列的关键特征,构建波动模态组复杂网络.运用一种基于滑动窗口及模态参数的分析法进行公共自行车存量特征提取,为系统优化提供依据.实证研究表明:所建网络特征与滑动窗口大小、网络的出度、加权聚类系数相关,通过选择最优参数,可为优化公共自行车系统调度时间提出可行、高效的解决方案.     

DHMM的动态模式识别理论在旋转机械故障诊断中的应用

对于旋转机械启动过程的动态模式,提出了一种基于离散隐马尔可夫模型(DHMM)的旋转机械故障诊断新方法.该方法对旋转机械启动过程的局部振动信号进行FFT特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到DHMM中进行机器学习和故障诊断实验.实验表明,提出的方法对旋转机械启动过程进行诊断是十分有效的.     

一种基于时间序列参数的癫痫脑电分类

时间序列分析是一种采用参数模型对所观测的随机数据进行分析和处理的数据处理方法,具有简便高效的应用特点,因此应用广泛。该文采用时间序列分析方法对癫痫脑电分析,采用基于AIC准则和FPE准则进行适用性检验并建立AR模型,其中模型参数应用Burg算法和Marple算法进行估计,建立时间序列模型后,采用RBF神经网络依据模型参数对脑电信号进行分类。     

基于不变矩特征和神经网络的图像模式模糊分类

提出了一种基于不变矩特征和神经网络的医学图像识别模型·所设计的识别模型包括不变矩特征提取、不变矩矢量标准化、模糊化预处理、BP网络与竞争选择·利用不变矩方法提取医学图像的特征矢量,能有效检测出具有平移、旋转和比例变化的图像,利用神经网络作为分类器对提取的特征矢量分类,使用模糊化的方法先对输入特征数据做预处理再进行识别,每一个图像模式归属于某一类是以0到1的数字代表其归属程度·实验结果验证了模型的有效性,训练好的网络有很好的分类能力·     

基于Gamma分布的交通流时间序列分割模型

准确获取交通流量变化点,对后续的交通流预测、分类及多时段控制具有重要意义.鉴于交通流时间序列的非负性及异方差性,采用Gamma分布拟合交通流时间序列,并对其进行有效分割.针对多元交通流时间序列,首先利用非负主成分分析方法实现降维并提取特征序列,之后利用最大似然估计得到Gamma分布参数,通过不同参数的Gamma分布拟合特征序列的不同片段,并由赤池信息准则(AIC)确定最优分割边界及分割阶数.实验结果表明,所建立的分割模型能够反映不同时段的交通流变化,与现有分割方法相比,取得了更好的分割结果.     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

判别分析中错判的概率及修正

在判别分析中,无论采用那种判别方法,错判是不可避免的.错判的来源主要有2方面,一是各类总体的均值相近,另一是各总体的协方差的非齐性,针对各种原因给出相应的修正原则和方法.     

改进的Fisher判别方法

对Fisher判别方法进行了改进,其主要思想是改变Fisher判别中以临界值为准则的判别方法,而以各总体的投影值所确定的正态分布的密度函数作为样品归类准则,并形成多次判别.例子表明,该方法优于Fisher判别方法.     

一种评判认知诊断方法有效性的新指标:真实判准率

该文提出了TPMR和TAAMR 2种真实判准率指标,用于替代现有评判认知诊断方法有效性的指标PMR与AAMR,并分析新旧指标的区别,随后比较参数和非参数方法在新旧指标上的表现以及高判、低判、错判情况,为认知诊断的实践提供理论依据.研究发现:(i)TPMR、TAAMR相比于PMR、AAMR而言,更能真实地反映认知诊断方法的有效性;(ii)TPMR、TAAMR在不同条件下表现均较为稳定,相比PMR、AAMR更能区分认知诊断方法的优劣;(iii)从高低错判的角度来看,PNN更适合于实践应用.     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.     

基于多目标优化问题模型的鉴别分析方法

该文提出一种新的Fisher鉴别分析的多目标优化问题模型。模型将最大的Fisher函数值与鉴别矢量所抽取特征间最小的相关同时作为优化目标。通过构造评价函数,将这一问题转换为适当的单目标优化问题。利用问题模型的特殊性,用Lagrange乘子法分析得出了相应鉴别矢量解的表达式。将该方法与F—S鉴别分析方法在CENPARMI手写体阿拉伯数字库上进行了对比实验。实验显示,该文方法明显优于F—S鉴别分析方法。     

基于两类总体的边坡稳定性判别分析

针对边坡稳定性影响因素复杂、传统的稳定性分析方法计算工作量巨大、计算过程复杂的问题,提出了一种新的解决方法——判别分析方法.以在边坡稳定性分析中广泛采用的边坡重度、内聚力、摩擦角、边坡角、边坡高度、孔隙压力比共六项指标作为判别因子,建立了可进行边坡稳定性预测的判别分析模型.典型工程实例的分析结果表明,该方法简便可行,具有较强的分析可靠度,且排除了边坡稳定性判别分类中人为因素的影响,为解决边坡岩体稳定性判定和分类提供了一条新的途径,可以在实际工程中进行推广.     

An explicit criterion to determine the number of roots in an interval of a polynomial

The negative root discriminant sequence (n.r.d. ) for a given polynomial with general *ymboiic coef- ficients is a set of explicit expressions in terms of the coefficients that are sufficient for determining the number o| distinct negative/positive roots and thus can be used to determine the number of roots in an interval of the given polynomial . Some interesting properties related to n.r.d. are studied.     

元音识别的几种分类模型的比较与分析

根据元音数据处理方法和选取的特征,提出了三种基于统计学的模式分类方法：线性判别、二次判别和七一最近邻,并通过模型选择方法,对实际数据进行测试与比较,得出尼．最近邻分类模式最为合适,同时提出进一步改进的思路。     

基于梯度和贝叶斯判别的夹层自动识别方法

针对现有夹层识别方法存在工作量大、精度不高的问题,提出一种基于梯度和贝叶斯判别的夹层自动识别方法。由于测井系列不一,首先对测井曲线进行主成分分析,选取可以代表所有测井曲线类型的曲线。然后对曲线进行滤波,使曲线尽量不受夹层等因素影响。分析夹层测井曲线特征,先以回返程度、各类夹层原有曲线与新曲线的差值作为门槛条件,得到符合条件的"尖峰"和"低谷"。再根据各类夹层特征建立贝叶斯判别模型,并对夹层的"尖峰"和"低谷"进行梯度计算,得到各类夹层的梯度特征。最后利用贝叶斯与梯度判别划分出夹层。应用效果表明:相比于其他方法,该方法以砂体为单元进行数据处理后建立贝叶斯判别模型,并综合梯度判别,极大地提高了夹层判别精度,为夹层自动识别提供了一种新途径。     

小样本问题的算法比较

将不相关线性判别分析(ULDA)和零空间线性判别分析(NLDA)两种思想结合起来,提出了处理小样本问题的六种算法,并通过实验说明了这六种算法的分类有效性.