基于KNN分类器的分层图像特征提取

给出一种基于k最近邻分类器(KNN)的分层图像特征提取方法.该方法能有效地获得有代表性和判别性的模板集合,并以较低计算复杂度来获取更高的识别精度.     

图像处理技术在纺织品瑕癖检验中的应用

本论文提供了一种基于图像处理的纺织品缺陷快速，实时检测方法，从而替代传统的人工检测方法，弥补了现有技术方法的不足和缺陷。本系统已在实验室生产线做了初步测试，实验结果表明，本系统的平均识别率达到83％以上。系统识别率较高，可以满足绝大多数生产线的质量监控要求。该系统具有较好的自学习能力，利用SVM作为分类器，效率高。实验表明论文提出的方法是快速，有效的。     

分类器系统综述

分类器系统(Classifier System)是一种基于遗传算法(GA)的规则系统,本文综述了分类器系统的基本原理和研究状况,并提出了需进一步研究的问题.     

一种基于模糊积分的多分类器人脸识别方法

提出了一种基于模糊积分的多分类器人脸识别新方法，首先采用两种不同的K-L变换及Fisher线性鉴别分析方法对原始图象进行特征抽取和压缩，然后将压缩后的特征设计成不同的分类器，再利用模糊积分对这些分类器进行融合，达到主观期望和客观证据间的最佳匹配，从而提高了对目标的识别率，并将该方法应用到人脸识别中，实验结果表明，该方法提高了识别率，证明其有效性。     

一种云环境下的虚拟机负载均衡算法

针对多数负载均衡算法都以虚拟机的CPU、内存等资源的利用率作为优化目标,而未考虑虚拟机上总任务工作时长不均衡导致任务总等待时长增加的问题,提出一种结合随机森林分类器的粒子群优化算法用于解决虚拟机的负载均衡问题.该算法不仅均衡了虚拟机的CPU利用率和内存利用率,也将虚拟机上总任务工作时长作为优化目标,以达到均衡虚拟机资源利用率,同时减少任务总等待时间的目的.仿真实验结果表明,该算法能有效解决虚拟机的负载均衡问题.     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

非平行文本下基于变分自编码器和辅助分类器生成对抗网络的语音转换

提出了1种基于变分自编码器和辅助分类器生成对抗网络的语音转换方法,实现了非平行文本条件下多对多的高质量语音转换.在该方法中,利用辅助分类器生成对抗网络替代基于变分自编码器和生成对抗网络模型中的Wasserstein生成对抗网络.由于辅助分类器生成对抗网络将特征样本的类别标签作为辅助信息,其鉴别器不仅能预测样本真假,还能预测生成样本所属的类别,从而提高了生成对抗网络的生成效果.充分的客观和主观评价表明:本文提出的方法明显优于基准模型,在显著改善语音质量的同时也有效提升了说话人个性的相似度.     

基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

面向对象和多分类器的棉花出苗信息快速提取方法

为了及时准确地获取棉花苗期的出苗信息,提出了采用面向对象的分类思想,充分利用了图像的纹理、形状和颜色等信息.采用支持向量机、朴素贝叶斯、K最邻近、决策树及随机森林分类器对无人机获取的可见光影像进行棉花出苗信息的快速提取,将目视解译的Shape文件与5种分类器的分类结果进行对比及精度分析.结果表明,最佳机器学习分类器为支...     

一种新的二步指纹分类方案设计

设计了一种新的指纹二步分类方案,该方案先用基于MKL方法的分类器为待分类指纹确定两个最具可能性的类,再利用经过训练的SPD分类器对第一步的结果进行二分类．用本文的分类方法对标准指纹分类库NISTDB4上的2000枚指纹进行实验得出五分类正确率为95．5％,四分类正确率为96．9％,分类结果优于目前参考的各种分类技术．