基于LCS的水库供水规则分类系统

建立了基于遗传学习分类器系统(LCS)的水库供水规则分类系统,通过信任分配(桶链算法,BBA)与规则发现(遗传算法,GA)机制进行学习,提取水库供水调度规则.实例研究得到学习样本识别率接近95%,检验样本识别率为85%.进一步从调度规则的合理性、学习样本对规则集的影响以及该分类系统与人工神经网络对规则提取结果的比较这3个方面分析了系统提取规则的性能与行为.研究表明,利用该分类系统提取水库供水调度规则是可行且有效的.     

Tracking performance of large margin classifier in automatic modulation classification with a software radio environment

Automatic modulation classification is the process of identification of the modulation type of a signal in a general environment. This paper proposes a new method to evaluate the tracking performance of large margin classifier against signal-tonoise ratio （SNR）, and classifies all forms of primary user＇s signals in a cognitive radio environment. For achieving this objective, two structures of a large margin are developed in additive white Gaussian noise （AWGN） channels with priori unknown SNR. A combination of higher order statistics and instantaneous characteristics is selected as effective features. Simulation results show that the classification rates of the proposed structures are well robust against environmental SNR changes.     

基于2D Gabor小波与组合线检测算子的视网膜血管分割

单一的2D Gabor小波血管分割算法只考虑了图像滤波信息,忽略了血管形状和结构信息。为了更加精确快速地实现视网膜分割血管,提出了一种基于2D Gabor小波变换和组合线检测算子的视网膜血管分割方法。首先通过像素灰度值、4个尺度下的2D Gabor小波变换和组合线检测算子构造一个六维像素特征向量,然后使用贝叶斯高斯混合模型实现视网膜图像像素分类,最终实现血管分割。通过对通用的DRIVE眼底图像库中所有视网膜图像的实验仿真,结果表明算法获得了0.963 6的受试者特征工作曲线面积和0.948 6的准确率,优于单一的2D Gabor小波血管分割算法。     

Sugeno型模糊复值积分及其在分类器融合中的应用

给出的模糊复值积分、Sugeno型模糊复值积分概念,研究了其基本性质;将其作为一种新的算法应用于分类问题中,对应用中的细节问题进行研究,并用1个实例对其算法进行验证,结果显示该方法具有良好的分类效果。     

罗志琳1 钱惠敏1 周军1

异常行为检测是家居监护系统的重要功能之一。本文提出了一种基于泊松方程的特征提取算法,并采用K均值算法实现人体异常行为——跌倒的检测。本文首先采用基于混合高斯模型的运动目标检测算法获得运动人体的二值图像序列;然后,对图像序列提取基于二维泊松方程的矩特征描述人体行为;最后采用K均值分类器对异常行为进行检测。本文所使用的数据库包括6种可能发生的日常行为：站立、走、慢跑、坐、蹲,以及跌倒。实验表明,采用本文算法检测异常行为——跌倒的正确识别率为98.72%。     

结合类属特征及因果发现的序列优化分类器链

分类器链是利用标签间相关性实现挖掘特定对象多维标记信息的重要多标签分类方法.面向现有分类器链算法，针对各标签的基学习器均在完整特征空间中训练导致学习特征冗余，以及因标签学习顺序随机且分类器链训练过程单向无反馈导致的标签间相关信息利用不充分等问题，本文提出一种结合类属特征及因果发现的序列优化分类器链.该方法采用类内仿射传播聚类为每个基学习器构建高级结构化特征，减少冗余信息；利用条件熵准则挖掘标签间因果关系，优化学习序列提高对标签间相关信息的利用程度.在多个公开数据集的实验结果表明，序列优化分类器链有效增强了单节点学习效果以及对多标签间关联信息的利用，有效提升了多标签分类效果，实用价值高.