一种基于分类的扩展向量空间信息检索模型研究与应用

为了提高信息检索系统检索性能,针对信息检索系统中普遍使用的向量空间模型(VSM)所固有的缺陷,提出一种新的基于分类和扩展向量空间模型CE-BVSM（Classifier and Expand-Based Vector Space Model）。该模型对传统的空间向量法进行了改进,引入分词技术、朴素贝叶斯分类器和专业词库,重新定义了资源特征向量和查询索引项的内容,参考关键词出现的频率及其在所描述的资源中所起的作用等因素来计算特征索引项和资源向量的权重值。在此基础上,又对查询索引项使用了基于专业词库的扩展策略。实验证明该模型使检索能够在相对精确的范围内进行,提高检索查准率和查全率,改善了信息检索系统的性能。     

1-范数软间隔分类器的风险

运用Rademacher复杂度估计1-范数软间隔分类器的错分风险,所得到风险的界因与具体的数据有关,故分类器能针对不同的数据提供更确切的界.     

基于改进Adaboost算法的人脸检测研究

分析Adaboost弱分类器计算耗时的原因,并提出了本文的改进。根据强分类器错误率上限的计算公式,推导出弱分类器错误率的期望值,并以此作为减少计算量的依据。实验结果表明,本文的改进方法,在保持弱分类器性能不变的条件下,可以有效降低计算量。     

基于KPCA及SVM的蛋白质O-糖基化位点的预测

为了提高蛋白质O-糖基化位点的预测准确率,提出了把核主成分分析（KPCA）与支持向量机（SVM）相结合的方法。实验样本用稀疏编码方式编码,窗口长度为21。首先,用核主成分分析提取了样本的核主成分（特征）;然后,在特征空间中用改进的支持向量机（ISVM）进行分类（预测）。在使用支持向量机分类时,设置了一个边界系数来减少运算的复杂度。实验结果表明,使用KPCA ISVM的方法预测的效果优于PCA SVM的预测效果。预测准确率为87%。更进一步,用不同长度的样本做实验(w=5,7,9,11,21,31,41,51),使用多数投票法综合各子分类器的优势。结果表明,组合分类器的预测准确率优于子分类器的预测准确率,预测准确率为88%。     

基于人工免疫系统的网络文本分类研究

在简单介绍自然免疫系统功能和特性的基础上,依据生物免疫系统免疫记忆特性,提出一种人工免疫网络记忆分类器。实验证明,该分类器能够快速准确地对文本进行分类。     

贝叶斯分类技术在高校教师教学质量评价中的应用

高校进行教师教学质量评价是提高教师教学质量,确保教育品质的重要手段。然而目前很多高校对教师教学质量的评价主要是给出一个结论,而对影响教师教学质量的主要因素并没有进行分析。根据高校教师教学质量评价中存在的不足和问题,将贝叶斯分类技术应用于高校教师教学质量评价体系中。讨论了贝叶斯分类的定义和方法,介绍了朴素贝叶斯分类器,并给出具体的数据分类实例,利用过去已有的教学质量评价的经验数据进行实验。实验结果表明贝叶斯分类具有较好的分类性能和较高的分类精度,贝叶分类技术用于教师教学质量评价完全可行。通过贝叶斯分类对教师教学质量进行合理评价,克服人为因素对评价结果的直接影响,为以后的教学质量评价提供合理科学的技术支持。     

一种胸部X射线摄影图像中结节检测的多尺度匹配滤波器

为了提高胸部X射线摄影图像中肺结节的正确检测率,提出一种基于通道化Hotelling模型的多尺度匹配滤波算法.以X射线胸片中的正样本和负样本图像作为训练集合,用Hotelling分类器训练出不同尺度的匹配滤波器组,并与待检测的胸片图像做滤波.计算滤波输出图像的视觉检测差异,以最大差异为约束条件寻找最优尺度的滤波器,计算...     

基于ARM的运动人体检测算法的研究

针对ARM平台资源有限的特点,提出一种适用于该平台的运动人体检测算法.该算法采用三帧差分法对图像序列中的运动目标进行检测,通过统计像素块的方法对阈值分割和形态学处理后的运动目标进行提取,并采用贝叶斯分类器对提取的运动目标进行分类.实验结果表明,该算法能在资源有限的嵌入式系统中实时有效地检测出静态监控场景中的运动人体,且对正常的光线变化具有一定的鲁棒性.     

黄瓜霜霉病害的窄带多光谱图像光谱分类和评估研究

在研究多光谱成像技术特点的基础上,提取光谱有效特征信息,优化光谱编码条件,对4个等级的黄瓜霜霉病害叶面光谱进行融合编码分类识别,可以有效地降低光谱的相似性,增强可分性,实现了4个病害等级的较好分类。在编码识别的基础上,采用一种权衡性较强的评价方法对分类结果进行评估,这种评价方法实现了把病害分类由4个离散的等级扩展到从0到1的连续量化的评定,并且可以精确到对单个像素点的等级评估。     

指纹与指静脉双模态识别决策级融合方法

针对单模态生物特征识别系统固有的缺点,提出一种新的指纹与指静脉识别的决策级融合方法.首先对指纹及指静脉2种模态分别进行第一级分类器设计,得出各自的识别结果;然后将提取出的指纹与指静脉特征点集以特征串联的方式形成新的特征矢量,构成第二级分类器,再得出一个识别结果;最后将上述3个识别结果进行决策级融合得到系统最终的识别结果.实验结果表明本方法克服了单一模态识别方法的局限性,有效地提高了系统的性能.