基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。     

化学成分-朴素贝叶斯分类算法的烟叶产地模式识别

把总糖、还原糖、总氮、烟碱、总氯和总钾这6个成分含量作为影响烤烟烟叶产地的自变量,利用朴素贝叶斯分类算法(NBC)建立烤烟烟叶生产地的判别模型.结果表明,用朴素贝叶斯分类建立的烟叶产地识别模型建模、留一法、预报准确度分别为91.24%、89.05%和88.24%,而用支持向量机分类和K点最近邻分类建立的烟叶产地识别模型的准确率均低于朴素贝叶斯分类建立的模型.可见利用朴素贝叶斯分类算法对烟叶产地进行模式识别研究,可以很好地反映烟叶样本由于产地的不同带来的差异.因此可以将NBC算法引入到烟草行业的研究中.     

基于自适应多分类器系统的甲状腺疾病诊断方法研究

甲状腺释放甲状腺激素以调节人体的新陈代谢速率,甲状腺激素过多或过少分别会引起甲亢或甲减,都属于甲状腺疾病.在实际医疗数据中,甲状腺疾病数据属于典型的不均衡数据.传统的分类方法往往忽略了不均衡数据存在的异构现象(不均衡程度,特征维度,类别数目在不同数据集中各不相同).针对甲状腺疾病数据的类分布不均衡现象以及异构现象,本文提出一种自适应多分类器系统(adaptive multiple classifier system,AMCS),构造多分类器集成系统,自适应地对异构不均衡甲状腺疾病数据进行分类来辅助甲状腺疾病的诊断.AMCS系统包括特征选择,集成框架,基分类器以及集成规则四个组成部分,每一组成部分由不同的算法组成候选池,根据不同数据存在的异构现象,自适应地为异构数据选择最优集成算法.本文采用KEEL和UCI提供的10组异构甲状腺疾病数据进行实验,验证了本文所提出的方法在辅助甲状腺疾病诊断的有效性.     

基于支持向量机的主动学习方法及其实现

根据主动学习可以有效地减少标注样本的代价这一特点,设计了一种基于SVM的主动学习方法.仿真实验中,检验分类正确率和F测度这两类评估指标,结果表明基于SVM的主动学习的学习效果优于被动学习.     

支持向量分类机阈值的唯一化

支持向量分类机是数据挖掘的新方法,它对应于一个凸二次规划,该规划的不唯一解带来阈值不唯一问题。针对阈值不唯一问题,研究了在具体应用过程中如何修改模型参数,在不影响具体应用问题解决的前提下,提出使阈值唯一化的一个解决方法,同时给出参数变化后最优解的理论结果。这种唯一化的方法不仅为支持向量分类机数据扰动分析新的研究方向作基础准备,而且可以克服由不唯一阈值构成的多决策函数在实际应用问题中带来的困扰。     

基于小波神经网络的数字信号调制方式识别

针对当前数字信号调制方式识别方法易受噪声影响、 识别误差较大等问题, 设计一种基于小波神经网络的数字信号调制方式识别方法. 首先采集数字信号, 并从信号中提取调制识别特征, 作为数字信号调制方式分类依据; 然后采用小波神经网络建立数字信号调制方式识别的分类器, 并选择粒子群优化算法确定神经网络的参数, 实现数字信号调制方式识别; 最后在MATLAB[KG*6]2016平台上实现数字信号调制方式识别的仿真测试. 测试结果表明, 即使数字信号的信噪比较低时, 小波神经网络仍可获得较理想的数字信号调制方式识别结果, 且数字信号调制方式识别率高于对比方法, 从而提高了数字信号调制方式识别性能.     

基于判别分析与低秩投影的人脸识别算法

针对目前人脸识别算法的误识率高、 鲁棒性差等不足, 设计一种基于判别分析与低秩投影的人脸识别算法, 以获得更优的人脸识别结果. 首先对人脸图像进行分块, 提取每个子块的局部特征, 并判别分析提取人脸的全局特征; 然后通过低秩投影选择对人脸识别结果贡献较大的特征组成特征向量; 最后采用最小二乘支持向量机根据“一对多”的原则建立光照人脸识别的多分类器, 并对多个人脸数据库进行仿真实验. 实验结果表明, 该算法可找到最优人脸识别特征子集, 降低光照人脸的误识率, 人脸识别速度得到明显提升, 且人脸识别效果优于其他人脸识别算法.     

基于双目视觉的部分遮挡行人检测算法

针对行人被障碍物部分遮挡导致的检测准确率降低问题,本文提出了基于多特征融合的树形路径半全局立体匹配的部分遮挡行人检测算法。本方法使用SLIC算法进行超像素分割,提升行人的轮廓信息,并使用多特征融合的树形路径半全局立体匹配算法生成深度图;对行人信息和背景信息及障碍物信息使用自适应分割算法进行分离,获取感兴趣区域;将感兴趣区域放置在行人特征明显且稳定的头肩部,进行感兴趣区域的约束;使用降维HOG进行特征提取并生成样本集,训练SVM分类器,最终实现部分遮挡的行人检测。实验表明,本文算法与其它行人检测算法相比,在行人部分遮挡场景下,有着更高的行人检测准确率,证明本文算法的有效性。     

基于小波包分解的声目标识别

小波变换是处理非平稳信号的一个有力工具,研究了基于小波包分析的声信号特征提取方法,并应用该方法对直升机等4种目标的声信号进行了特征提取,降低了特征向量的维数。采用设计改进的BP神经网络分类器对声目标进行分类,分类结果准确率高,获得满意的实验效果。     

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.