着装脸谱图的分类新算法

基于多元统计图表示的脸谱图方法和最小均值分类器的思想,提出了最近脸谱图分类器新方法.针对脸谱图不能有效表达数据样本维数的特点,提出了着装脸谱图,并给出了新的图形特征:面积特征和重心特征.针对脸谱图分类器的主观性,提出了利用最近均值分类器实现脸谱图图形特征的自动分类.8种真实数据集的实验结果证明了该方法的有效性.     

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.     

多元数据的子空间坐标图表示模型

多元数据可视化是理解多元数据的一种重要手段。常用的多元数据可视化方法如散点图矩阵、平行坐标、雷达图、三角多项式图等具有悠久的历史和广泛的应用,但是长期以来缺乏统一的理论基础。本文提出多元数据的子空间坐标图表示模型,该模型可以将这些传统多元图表示方法统一到同一个表示框架。该模型的提出对于研究新的可视化方法、图形优化以及促进实际应用具有重要意义。     

基于决策树桩的元特征提取

“No Free Lunch”定理表明:若无任何先验假设,则没有理由认为一种算法优于另一种算法.算法的性能与问题的元特征密切相关.目前的元特征提取方法只关注从数据集中提取元特征,而忽略了候选算法元特征的提取.为此,在原有元特征集合的基础上提出基于决策树桩的元特征提取方法,将候选算法信息纳入新的元特征集合中.实验表明:在传统元特征集合中加入基于决策树桩的元特征后,算法排序的预测准确率能够得到显著提高.     

遗传算法在立体图象匹配中的应用

基于传统立体图象匹配技术,提出了一种新的使用遗传算法的特征匹配方法．实验中,采用了两种特征提取算法,以适应不同图象要求．实验用图包括自然景物图和人工合成图．此外,用ＢｒａｎｃｈＡｎｄＢｏｕｎｄ算法得出比较结果．实验结果表明,遗传算法有好的匹配正确率和收敛速度,具有鲁棒性,适合立体图象匹配．     

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。     

基于可视化图形特征融合的蛋白质组学质谱数据分析

近年来,对蛋白质组学质谱数据进行模式识别成为癌症诊断的一种新方法,由此发现的新生物标记物已经成功用于多种重大疾病的早期预测.这种方法的两个难点是:如何提取能够明显区分不同类别的特征,如何有效处理谱数据中大量的特征.本文提出基于多元图形特征融合的方法对蛋白质组学质谱高维数据进行可视化降维处理.在对质谱数据进行必要的预处理后,选择部分原始特征并将其映射到多元图表示域.通过多层递阶图形特征选择与提取得到最终的多元图癌症诊断模板.采用国际公开卵巢癌高通量数据集进行验证,得到了较好的分类效果.     

稀疏表示的图像分类研究综述

良好的特征提取方法能减轻后续图像分类与识别的工作量。针对具体的分类问题提出了不同的特征提取方法,并在图像分类和识别任务上取得了较好的效果。然而,已有的基于传统方法的特征提取存在一些明显不足,即随着视觉任务规模的增大,直接利用这些传统方法进行特征分类,效果并不理想。提出的特征表达方法,在图像最基本特征基础上进行矢量量化、稀疏编码或其它表达以形成一幅图像最后的特征。着重介绍基于稀疏表示的特征分类算法并对其进行分析,最后探讨存在的问题和今后研究的方向。     

改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

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.     

基于随机森林和支持向量机的分类特征选择

由于数据具有海量、高相关性和非线性的特点,所以如何选择原始数据的本质特征,是关系到能否有效提高问题分类器推广能力的关键问题。本文讨论了目前基于所有特征以及词袋和词序列袋的特征选择方法,提出了采用随机森林和支持向量机(SVM)相结合的方法来进行特征选择。实验证明,此方法能够有效地选择分类特征,从而提升问题分类的效率和精度。     

基于位平面图像的人脸特征抽取

提出一种新的基于位平面图像的特征抽取方法.该方法通过对原始图像进行"位切片",将1幅图像分解为8幅位平面图像,然后针对不同的位平面图像的特点,对不同的单幅位平面图像和合成的位平面图像进行特征抽取,为从复杂的人脸图像中抽取出有效的鉴别特征提供了一种有效措施.ORL标准人脸库中的实验数据验证了该方法的有效性.     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection, SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于半圆形局部二值模式结构相关性描述子的图像检索

针对传统的结构基元方法缺少对不同量化颜色层中的中心像素点与其潜在邻居的相似性信息描述问题,提出了一种半圆形局部二值模式结构相关性描述子,并将其应用在图像检索中.首先,定义了一种新的半圆形局部二值模式结构基元;其次,检测不同量化颜色层中的结构基元;最后,提取新结构基元的空间分布和对比度特征.相比传统的结构基元方法,提出的描述子检测的结构基元更加丰富,包含更多可能的结构区分性.在不同图像库上的实验结果表明了所提方法的有效性.     

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．