基于分类算法的专利摘要文本分割技术

专利摘要是对专利的浓缩表述,将专利摘要按内容分割后,能更准确地定位对应的专利。由于专利摘要长度较短,而且不同内容间没有明显标志,使其分割不能使用传统的文本分割方法。本文将专利摘要的分割问题转化为句子分类问题,并尝试采用分类算法解决该问题。通过分析不同分类算法以及不同特征对本问题的解决效果,最终验证了利用句子分类方法进行专利摘要分割的可行性。     

智能保健监测系统中音频信号的分类算法研究

针对Mel频率倒谱系数(MFCCs)信息在区分音频信号时的局限性,提出一种基于不同特征提取技术的两级分类策略,对智能保健监测系统的9种音频信号进行分类。分类的第一级采用MFCCs及其变化率(ΔMFCCs)作为隐马尔可夫模型(HMM)的输入。在第二级,将不同频段的功率谱密度的一阶差分均值和标准差作为分类的特征。实验结果表明,功率谱密度的一阶差分包含了MFCCs所不含有的重要分类信息,该方法使得实时保健监测系统的平均分类准确度高达97.37%,具有较好的鲁棒性和分类准确性。     

危险源重要度评价及其分级监控管理

基于我国安全现状和现有评价方法的不足,提出危险源重要度评价概念,并介绍此方法的评价思路和依据.选取某化工企业中一个工艺过程进行分析,对第一、第二类危险源及维修方式进行重要度评价,根据分析结果,提出分级控制措施和实施部门,利于资源分配及责任划分.对物的不安全状态单元提出了设备分级维修思想.结果表明:重要度评价方法能够更系统、快捷的对企业危险源进行分级,并划分责任区域和控制措施,提升安全水平.     

大数据环境下的不确定数据流在线分类算法

在大数据环境下,由于隐私保护、数据丢失等原因,数据普遍存在不确定性;数据流系统中数据不断地到达系统,只扫描一遍且不能一次性全部获得;所以要构建一个增量分类模型来处理不确定数据流分类.本文基于VFDT算法提出了WBVFDTu算法,该算法在学习和分类阶段都可快速而有效地分析不确定信息.在学习期间,采用Hoeffding分解定理构造决策树模型;在分类期间,在决策树的叶子节点利用加权贝叶斯分类算法提高模型的分类准确率和算法的执行效率.最终证明该算法能够非常快速地学习不确定数据流,提高分类的准确率.     

SLK涡流选粉机重力分级区内颗粒的运动特性

 选粉机内颗粒的重力分级对后续离心分级有重要影响。为研究颗粒在选粉机重力分级区内的运动特性,在对颗粒进行受力分析的基础上,分别建立y向和x 向颗粒运动方程,通过理论分析探索了颗粒在y 向和x 向的运动特性。运用计算流体力学理论,考察重力分级区内气流速度在y 向和x 向的变化规律,研究不同粒径颗粒的运动轨迹。结果表明,重力分级区内气流速度在y向上递增,颗粒在y 向做速度不断增大的变加速运动;气流速度在x 向上由返料锥近壁端向远壁端递减,颗粒在x 向做速度不断减小的变减速运动。研究结果可为选粉机的设计提供理论参考和数据基础。     

加权SRC算法在伪装人脸识别中的应用

针对伪装人脸识别问题,基于稀疏表示分类法(sparse representation-based classification,SRC)鲁棒性好的特性,分析了SRC算法,探讨了该算法存在的问题:稀疏解不够稀疏.提出了一种加权SRC模型,即在SRC模型基础上增加一个权值.结合Homotopy算法获得了更理想、更稀疏的解.基于AR数据库的实验结果表明,加权SRC算法的识别率随权值的变化而变化,拥有比SRC算法更高的正确识别率.     

分类树应用于商业银行贷款5分类的探讨

分类树是一种计算机实现、基于统计理论的非线参数的识别技术,该技术可应用于解决贷款5分类实施中从业人员分析判断能力欠缺的问题。实证分析表明该方法比线性判别分析方法的准确率高,针对进一步提高分类准确率,结论部分对初始样本和变量结构对分类准确性的影响进行了分析。     

基于DEM和地物分类信息的SAR图像模拟

SAR图像模拟对于雷达系统设计、SAR图像几何及辐射校正等具有重要意义.针对正侧视SAR成像的几何特点,顾及地面坡度、地物类型、成像距离等因素对雷达波后向散射强度的影响,采用强度积分策略,设计了基于DEM和地物分类信息的SAR图像模拟方案;通过仿真实验得到了满意的SAR模拟图像,验证了该模拟方案的正确性和有效性.     

基于偏差估计卷积神经网络恒星光谱数据自动分类

天体物理学科中恒星光谱具有极其重要的研究前景,中国自主研制的大科学天文巡天项目大天区多目标光纤光谱望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)自启用以来,已经成为世界上空间光谱获取数据量最大的科学装置.目前,第6期数据(sixt...     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。