基于脉冲耦合神经网络的异源图像融合方法

针对基于主成分分析与二代小波变换的图像融合算法中鲁棒性不高、融合图像质量较低的问题,提出了基于鲁棒性主成分分析与脉冲耦合神经网络的融合方法.所提出的算法将可见光与红外图像进行二代小波变换,转换为高频与低频信号,接着采用不同的融合策略针对低频和高频信号进行融合.针对低频信号,利用鲁棒性主成分分析法还原低秩矩阵并采用加权平均的融合策略进行融合;针对高频信号,将其送入至脉冲神耦合神经网络中进行融合得到融合后的小波系数.将融合后的小波系数进行逆变换,得到最终融合图像.实验结果表明,相比于基于主成分分析与二代小波变换的图像融合算法,利用所提出的出算法得到的融合图像中熵指标、空间频率指标、结构相似度指标和峰值信噪比指标均得到了不同程度的提升.因此,所提出的算法能够更好地提取目标信息,使融合图像中目标的轮廓边缘更加清晰,同时将提升小波分解出的高频信息利用PCNN进行融合,更加突出细节信息.     

基于机器学习的电力智能光纤网络自动监测和预警研究

面对层出不穷的网络攻击现状，设计了基于机器学习的电力智能光纤网络自动监测和预警方法。该方法的电力光纤网络信息数据采集单元利用不同类型的检测探针采集电力光纤网络风险信息后，将其传输到电力光纤网络监测单元内；该单元对电力光纤网络风险信息实施约简后，建立风险监测指标体系，并使用主成分分析方法得到电力光纤网络风险监测结果；将电力光纤网络风险监测结果输入到高斯混合模型内，利用该模型划分当前电力网络风险等级，在将该风险等级和电力光纤网络风险监测结果，同时输入到机器学习算法的支持向量机模型内，经过该模型迭代输出当前电力光纤网络监测结果对应的风险等级。实验表明：该方法具备显著的光纤网络风险信息约简能力，以及较强的监测能力和预警能力，应用效果较佳。     

基于支持向量数据描述的无标签数据多类分类

为解决支持向量机（SVM）在处理无标签数据多类分类上的难题,提出了一种基于支持向量数据描述（SVDD）的无标签数据多类分类算法。该方法只需要建立一个分类模型就可以实现多类聚类分类。首先采用主成分分析作数据预处理,提取输入数据的统计特征值,得到主成分特征指标输入到SVDD分类器进行多类聚类分类。以珠三角地区物流中心城市分类评价为研究对象,实证结果表明,采用主成分分析降低了数据维度,有效浓缩了评估信息,SVDD分类器很好地区分了各中心城市,实现了多类分类的目的。     

主成分聚类分析在战储器材轮换中的应用

针对传统轮换方法在战储器材轮换上的缺陷和不足,从器材重要度的角度,提出一种基于主成分聚类分析的战储航材轮换方法。在综合考虑传统方法的不足和航材管理特性的基础上,构建战储器材轮换指标体系。首先根据指标集运用主成分分析法进行降维处理,然后运用SPSS软件的系统聚类法对其聚类分析,最后根据分析结果采取相应的轮换。实例结果表明该方法是合理、有效的。     

基于健壮主成分分类器的无监督异常检测方法研究

入侵检测系统在训练过程中需要大量有标识的监督数据进行学习，不利于其应用和推广，经典主成分分析方法对离群数据非常敏感，进而导致分类准确性的下降。为了解决该问题，提出了一种基于健壮主成分分类器的方法，得到被离群数据干扰较少的主成分。根据主成分空间距离和数据重构误差构建异常检测模型。实验表明：该方法能够有效检测未知入侵，在检测率、误警率方面都达到较满意的结果。     

基于非线性集成深度学习的软件模块风险预测

利用当前方法预测软件模块风险时没有对软件模块数据进行预处理,导致预测软件模块风险预测精度较低,效果不佳.为解决上述问题,提出基于非线性集成深度学习的软件模块风险预测方法.利用主成分分析法对软件模块数据进行预处理,在不损失有用信息的前提下可降低数据维度.将处理过的样本训练集进行初始化处理,并更新相应的权重向量,利用向量融合弱分类器构成非线性集成深度学习分类器,通过此分类器得出软件模块中是否包含风险,进而实现软件模块风险预测.实验结果表明,所提方法的预测软件模块风险预测精度较高,有效提升了风险预测效果.     

贵州喀斯特地区生态经济类型划分研究

运用主成分分析法和聚类分析法,对贵州喀斯特地区的生态经济类型进行了划分。首先建立指标体系,并运用主成分分析法对22个类型划分指标进行筛选,再运用模糊聚类方法,将该地区75个县(市)划分为5个生态经济类型,最后对各类型进行了分析,提出了其生态经济的发展方向,为制定区域可持续发展战略提供了科学依据。     

基于纠错输出编码的人脸表情识别

多分类问题一直是模式识别领域的一个热点,提出了一种基于纠错输出编码和支持向量机的多分类器算法。根据通信编码理论设计纠错输出编码矩阵;按照该编码矩阵设计若干个互不相关的子支持向量机,根据编码原理将它们融合为一个多分类器。为了验证本分类器的有效性,采用Gabor小波提取人脸表情特征,应用二元主成分（2DPCA）分析法对提取的特征进行降维处理,应用该分类器进行了人脸表情的识别。实验结果表明,提出的方法能有效提高人脸表情的识别率,并具有极好的鲁棒性。     

连续过程生产调度预警及专家系统的应用研究

基于连续过程生产调度的特点及预警系统的特征分析，对连续过程生产调度预警的预 警指标体系的建立、预警方法的使用、警限的界定和警度的确定给出了具体研究．运用粗集 神经网络专家系统，建立了生产调度预警专家系统．     

引入迁移学习的癫痫EEG信号自适应识别

在脑电图( EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法( SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机( LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。     

基于小波变换的电力热线预警信息盲检测方法研究

电力电网系统在电力传输控制中节点分布具有动态性,容易产生热线预警,为了提高电力热线预警检测能力,提出一种基于小波变换的电力热线预警信息盲检测方法。构建电力热线预警的信号模型,采用随机线性时间序列分析方法构建电力热线预警的统计信号分析模型,对电力热线预警信号采用相关性检测方法进行时频分解,采用小波分析方法将电力热线预警信号从时域向频域转换,根据接收到的两路电力热线预警信息的关联性进行特征匹配和自动分离,实现对电力热线预警信息的盲分离和噪声干扰抑制,采用小波变换和谱特征检测方法,实现对电力热线预警的盲检测。仿真结果表明,采用该方法进行电力热线预警检测的盲分离性能较好,检测准确概率较高,提高了电力热线预警能力。     

基于SMO算法的SVM分类器在压缩机故障识别中应用

采用时频分析和支持向量机(SVM)相结合,提出一种压缩机故障识别新方法。首先利用Labview软件平台,对压缩机振动信号进行时频分析;然后提取出空气压缩机故障信号的特征向量,组成训练样本和测试样本;最后使用一对一方法构造成多元支持向量机分类器,利用序列最小优化(S M O)算法对故障样本进行训练,实现了压缩机的故障识别。实验测试表明,该分类器有较高故障诊断效率且性能良好,适合压缩机的故障识别。     

基于特征综合的启动子识别方法

针对真核生物启动子识别的高假阳性现状,提出了一种基于特征综合的真核启动子识别方法。通过提取人类启动子核苷酸联体统计信息作为特征,并使用主成分分析法进行主元提取。将10维主成分特征与2维CpG岛特征进行特征综合,共同作为BP神经网络的输入来识别启动子。对人类基因序列启动子的预测结果表明,不但有效地减小了假阳性,而且具有较好的敏感性和特异性。     

操作风险等级预测的朴素贝叶斯方法研究

操作风险数据积累比较困难,而且往往不完整,朴素贝叶斯分类器是目前进行小样本分类最优秀的分类器之一,适合于操作风险等级预测。在对具有完整数据朴素贝叶斯分类器学习和分类的基础上,提出了基于星形结构和Gibbs sampling的具有丢失数据朴素贝叶斯分类器学习方法,能够避免目前常用的处理丢失数据方法所带来的局部最优、信息丢失和冗余等方面的问题。     

Feature reduction and selection for EMG signal classification

Feature extraction is a significant method to extract the useful information which is hidden in surface electromyography (EMG) signal and to remove the unwanted part and interferences. To be successful in classification of the EMG signal, selection of a feature vector ought to be carefully considered. However, numerous studies of the EMG signal classification have used a feature set that have contained a number of redundant features. In this study, most complete and up-to-date thirty-seven time domain and frequency domain features have been proposed to be studied their properties. The results, which were verified by scatter plot of features, statistical analysis and classifier, indicated that most time domain features are superfluity and redundancy. They can be grouped according to mathematical property and information into four main types: energy and complexity, frequency, prediction model, and time-dependence. On the other hand, all frequency domain features are calculated based on statistical parameters of EMG power spectral density. Its performance in class separability viewpoint is not suitable for EMG recognition system. Recommendation of features to avoid the usage of redundant features for classifier in EMG signal classification applications is also proposed in this study.     

基于模板库的异常信号告警与定性研究

异常信号告警与定性是频谱管理系统的重点扩展功能。分析了异常信号的特征参数、成因与常见定性规则,提出了基于可定制模板库的挂接式异常信号告警与定性方法。描述了模板库的组成,可根据不同系统条件自由定制或导入。可以挂接的方式集成到所属频谱管理系统,实现功能扩展而不影响系统主体结构。自动基于模板库,实时监视收集到的电磁信号数据,通过条件触发告警或延伸业务,完成异常信号的告警与定性。     

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。     

A novel relevance feedback method for CBIR

In this paper, we address the challenge about insufficiency of training set and limited feedback information in each relevance feedback (RF) round during the process of content based image retrieval (CBIR). We propose a novel active learning scheme to utilize the labeled and unlabeled images to build the initial Support Vector Machine (SVM) classifier for image retrieving. In our framework, two main components, a pseudo-label strategy and an improved active learning selection method, are included. Moreover, a feature subspace partition algorithm is proposed to model the retrieval target from users by the analysis from relevance labeled images. Experimental results demonstrate the superiority of the proposed method on a range of databases with respect to the retrieval accuracy.     

基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。     

基于车载视频的行人预警系统

行车安全一直是社会生活中的研究热点问题之一,本文设计实现一种基于聚合通道特征的实时行人预警系统。系统包括行人检测模块、区域划分模块、单目测距模块和预警模块,其中行人检测模块使用聚合通道特征和级联Adaboost分类器相结合的方法构造通道金字塔,对车载视频中行人进行快速检测并获取目标关键信息和运动属性;单目测距模块利用检测时获取的信息估测人车距离;预警模块利用得到的运动信息判断前方行人的危险程度并给出相应的响应类型。通过使用城市道路条件下的实录视频进行实验,验证了系统的实时性与准确性。 