非一致相似测度的图表示多观测样本分类算法

多观测样本分类问题中,样本表示成流形上的点,针对如何利用多观测样本的流形结构提高其分类性能的问题,提出非一致相似测度的Graph表示多观测样本分类算法。首先综合数据的全局与局部结构特性,构造一个非一致相似测度,非一致相似测度主要考虑类内和类间差别,能有效地体现数据实际聚类的分布特性;其次构造非一致相似测度Graph,进而得到样本之间的相似度矩阵,然后通过一个格拉斯曼联合核把最佳投影的计算转化成寻找瑞利熵的最大特征向量问题,进而得到投影矩阵。最后将本征流形上的点投影到另一个流形上,使用最近邻分类器完成分类。在ETH-80物体识别数据库、CMU-PIE人脸数据库和BANCA数据库上进行对比实验,实验结果表明该方法优于传统方法。     

基于自适应类别权重的HRRP决策融合识别

针对雷达高分辨率距离像(HRRP)识别中因特殊样本和分类器误判而出现的错误分类问题,提出了一种基于自适应类别权重的多分类器决策融合识别方法。该方法结合K-最近邻思想,利用最近邻和相似度准则挑选与测试样本对应的训练样本集,构造混淆矩阵自适应完成分类器置信度的计算和筛选,最终获得目标各类别权重,输出分类结果。基于实测数据的研究结果表明,相较于以上任意单个分类器和传统决策融合方案,文中提出的融合识别方法识别率有明显提高,并且随着噪声的增大,该方法的优势愈加突显。     

基于LBP和PHOG特征监督相关融合的军事目标分类方法

军事目标分类是一个重要的研究方向.在复杂背景下不同的军事目标的相似度较高,使得基于传统视觉特征的军事目标的分类精度不高.提出一种基于改进典型相关分析的局部二值模式(LBP)和分层梯度方向直方图相结合的军事目标分类方法.首先提取军事目标的LBP和PHOG特征;然后利用改进的典型相关分析将LBP与PHOG特征相融合;最后利用K-最近邻分类器对图像进行分类.该方法的优点在于LBP与PHOG相融合的特征有比较好的分类能力和鲁棒性.在军事目标数据集上的分类结果表明,该方法是有效可行的.该方法为军事目标识别系统提供了技术参考.     

基于动词相似度的特征分类方法

本文提出了一种新的说话人特征分类方法,基于计算动词相似度理论,建立距离和趋势的评价模型,通过计算特征向量与k-means算法聚类所得的聚类中心的相似度矩阵,将说话人个性特征从MFCC特征域映射到说话人相似度属性空间中,形成新的特征向量集,这样,每个说话人的特征向量将被聚为在距离和变化趋势上最具相似性的k分类。之后,利用GMM模型在属性空间内进行联合概率分析、匹配,建立新的说话人识别系统。本文采用标准TIMIT语音库与NIST语音库在该识别系统中进行一系列实验,结果表明,该基于新的优化特征分类的识别系统,对比传统的说话人识别系统,在等错误率上有很好的提高。     

近邻类加权结构稀疏表示图像识别算法

针对如何将近邻、子空间学习与稀疏表示结合起来解决稀疏分类计算量较大的问题。由于子空间中样本的类内散度小,类间散度大,且同类中所有样本对重构的影响相似,因此按类而非样本处理的思想更符合基于类重构误差进行分类的算法要求,为此提出一种基于近邻类加权结构稀疏表示算法用于图像识别。该算法首先利用线性类重构误差选取 个最近邻类,并将其对应的系数作为权值对投影后的近邻类加权,其次在投影子空间上,用 个类的加权训练样本集对测试样本进行结构稀疏表示,最后根据最小类重构误差得出分类结果。在AR,Yale B,MNIST,PIE数据库上的实验结果表明该方法在训练样本数较少的情况下获得较高的识别率且具有一定的鲁棒性。      

基于多引导滤波器的单幅图像超分辨率技术

提出了一种基于多引导滤波器的单幅图像超分辨率方法。首先,该方法通过大量的自然图像建立高低分辨率图像块样本训练库,并通过聚类算法将具有相似性质的高低分辨率样本块进行聚类;其次,将输入低分辨率图像进行重叠分块,并在样本库中搜索最近邻的高低分辨率样本聚类;再次,将输入低分辨率图像块作为输入图像,与样本库中最近邻的低分辨率聚类样本作为引导图像,运用本文提出的多引导滤波器计算引导滤波器的参数;最后,利用样本库中最近邻的高分辨率聚类样本和引导滤波器的参数,通过多引导滤波器就可以重构高分辨率图像。实验结果表明,本文算法不仅能很好地重构图像的高频细节,还能很好地恢复图像的纹理特征。     

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

基于改进LSDA的人体行为识别算法

提出了一种基于改进的局部敏感判别分析(LSDA)的人体行为识别算法.首先,利用样本间的距离信息重置类内最近邻点集和类间最近邻点集的权值矩阵,保证在最大化目标函数时尽可能保持局部线性重构特性,解决小样本难题;然后,通过Gran-Schmidt正交化方法将特征矩阵进行正交化,可有效地保留原始空间中的高维空间,解决图像特征重建难题;最后在Weizmann行为数据库进行实验,平均正确识别率达到98.21％.试验结果表明,该算法具有良好的分类性能,在不同训练样本个数下,该算法均能获得较高的识别率.     

SVM-KNN分类器——一种提高SVM分类精度的新方法

本文提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.首先对支持向量机进行分析可以看出它作为分类器实际相当于每类只选一个代表点的最近邻分类器,同时在对支持向量机分类时出错样本点的分布进行研究的基础上,在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值直接应用支持向量机分类,否则代入以每类的所有的支持向量作为代表点的K近邻分类.数值实验证明了使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题.     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

采用长度规整MAP的说话人分割聚类

本文首次提出了长度规整的最大后验估计(MAP)方法,并将其应用到说话人分割聚类中的交叉似然比(CLR)和T Test这两种度量距离上。传统的MAP方法需要在通用背景模型(UBM)基础上进行统计量的计算,进而对模型参数进行自适应偏移,因此偏移的程度与语音片段的长度正相关。当在度量两个长度不相同的语音片段的相似性时,传统的MAP方法会使得说话人模型刻画不准确,从而影响距离度量。本文在MAP过程中,根据语音的长度对相关因子进行规整,然后再进行模型参数的调整,从而使得模型参数与语音长度无关,更能体现说话人的身份信息。在中文多人电视访谈节目数据的分割聚类评测任务上,采用长度规整的MAP方法相对于传统方法都有明显提升,在CLR度量准则下分割聚类错误率相对下降了35%,在T Test度量准则下分割聚类错误率相对下降了107%。      

联合V2X通信和最小跳数距离的车辆定位方法

针对传统V2X定位方法定位成功率及定位精度较低的问题,提出了一种联合V2X通信和最小跳数距离的车辆定位方法。车辆利用最小跳数距离估算自身与通信范围外辅助节点间的相对距离,并利用路径相似度因子最高的辅助节点对该误差进行补偿,从而改善定位性能受通信距离约束的局限性。同时,综合考虑距离、辅助节点类型对定位性能的影响,利用加权最小二乘法对车辆位置坐标进行解算,提升定位的精度。仿真结果表明,所提定位方法与V2X定位方法相比,在定位成功率及定位精度方面分别提升38.6%和12.5%,具有一定的应用价值。     

Performance Analysis of Cooperative Communication System with Hierarchical Modulation over Rayleigh Fading Channel

Much attention had been devoted to study the bit error rate (BER) of hierarchical modulation on point-to-point transmissions in recent years. But few mention the error performance of hierarchical modulation on cooperative communication systems. Thus, in this paper, we derive the explicit closed-form expressions of the exact bit error rate computation for cooperative communication systems with hierarchical modulation over additive white Gaussian noise (AWGN) channels and Rayleigh fading channels. To obtain the theoretical formulas of error rate performance, an analyzing model is proposed to clearly express all possibilities of each transmission. For error rate performance, the expression for BER is a function of distance parameters. Based on this relationship, a criterion is proposed to choose the optimal distance parameters for minimizing the BER of the refinement bits while guaranteeing the BER requirement of the base bits. Simulation results validate the correctness of the derived BERs of the base bits and the refinement bits. Also from simulation results, the performance with optimal distance parameters is greatly improved compared to the non-optimal distance parameters.     

基于区间数的基本概率指派生成方法及应用

应用证据理论的一个关键问题是生成基本概率指派 (BPA),目前如何生成BPA仍然是一个有待解决的问题.本文提出一种基于区间数的BPA生成方法,首先建立样本属性的区间数模型,然后用区间数的距离表示样本属性之间的差异性,在此基础上提出了一种相似度,最后对相似度进行归一化得到BPA.通过鸢尾花数据集 (Iris Data Set) 的分类实验验证了该方法的有效性,结论表明整体识别率为96%.本文方法简单实用,数据样本较少情况下也能有效确定BPA.     

基于测度优化Laplacian SVM的中文指代消解方法

相比于传统的基于半监督学习的指代消解方法,Laplacian SVM（Support Vector Machine）能有效的挖掘已标注样本和未标注样本的相似性和关联性,更好的推导模型的分类边界。而传统Laplacian SVM采用欧式距离度量样本之间的距离,使得异类样本之间的相似性可能过大,不利于样本的准确分类。对此,提出一种基于数据驱动学习最优测度Laplacian SVM算法以解决中文指代消解语料不足的问题。该方法通过优化样本对之间的相似性约束条件和引入Fisher判别项,增大同类样本间的相似性,并突出强判别能力的特征。此外,提出核嵌入的测度优化方法将以上线性测度优化推广到非线性空间,有利于Laplacian SVM利用核函数实现非线性分类。在ACE2005中文语料库上的测评结果表明,所提出测度优化的Laplacian SVM（包括线性和核嵌入两种形式）的方法只需少量标注样本就可以获得与经典的有监督学习模型相当甚至更好的消解性能,同时也优于其他传统的半监督学习方法。     

CCD双站被动定位效能评估

光电被动定位系统隐蔽性好,有利于提高复杂电磁环境中对抗作战的效能。建立基于CCD的双站被动定位系统模型,为提高测算精度,依据最小二乘法原理推导出静止目标坐标的求解方法。基于大气消光系数、目标背景亮度系数、CCD成像设备参数建立CCD侦察模型。以目标探测概率大于10%为标准,确定单个CCD的作用距离,并在此基础上分析CCD双站定位范围随双站间距的变化关系。在有效定位范围内抽取批量目标样本,计算双站定位误差,分析误差的均值和标准差随双站间距的变化规律。计算结果表明:对于确定的天气条件及CCD成像设备,当双站间距超过一定距离后,定位范围将逐步减小;定位误差及误差离散程度随着双站间距的增加先变小后变大。分析结果对于优化CCD设备参数、合理配置观测站位置具有一定的借鉴意义。     

基于灰关联度和距离的特征关联算法研究

特征关联是无源多传感器多目标跟踪中一个关键环节。针对多传感器系统对多个辐射源进行量测过程中存在的测量误差,导致的量测值和它源于的辐射源之间出现的对应模糊问题,提出了基于灰关联度和距离度量的特征关联算法。该算法通过计算特征向量之间的灰关联度和距离,把相似度较高的特征向量划分为一类,成功地消除了对应模糊问题。模拟产生了辐射源数据库,并比较了不同相似性度量性能优劣,不同噪声环境下的关联正确率,进行了关联效果检验,仿真结果表明用灰关联度作为相似性度量关联正确率高于距离度量,但所用时间较长。     

一种基于深度度量学习的视频分类方法

针对视频分类中普遍面临的类内离散度和类间相似性较大而制约分类性能的问题,该文提出一种基于深度度量学习的视频分类方法。该方法设计了一种深度网络,网络包含特征学习、基于深度度量学习的相似性度量,以及分类3个部分。其中相似性度量的工作原理为:首先,计算特征间的欧式距离作为样本之间的语义距离;其次,设计一个间隔分配函数,根据语义距离动态分配语义间隔;最后,根据样本语义间隔计算误差并反向传播,使网络能够学习到样本间语义距离的差异,自动聚焦于难分样本,以充分学习难分样本的特征。该网络在训练过程中采用多任务学习的方法,同时学习相似性度量和分类任务,以达到整体最优。在UCF101和HMDB51上的实验结果表明,与已有方法相比,提出的方法能有效提高视频分类精度。     

G分布族参数估计新方法

提出了G分布族参数估计的新方法,首先详细分析了当前普遍采用的基于矩估计的G分布族参数估计方法存在的理论缺陷,在此基础上,提出了一种基于Mellin变换的G分布族统一的参数估计方法。该方法以Mellin变换为出发点,详细推导了G分布族中各分布对应的第一个、第二个第二类型的特征函数和它们各自对应的对数矩和对数累积量,最终获得了各分布参数估计简洁的迭代表达式。文中所提方法不但克服了各分布的矩估计器面临的诸多不足,更重要的是把视数同其他参数一样视为待估计的参数,且能够快速、准确地迭代出它们的估计值,保证了G分布族中各分布的拟合精度。以KL(Kullback-Leibler)度量、MSE(Mean Square Error)度量和K-S(Kolmogorov-Smirnov)检验为定量评估准则,对不同分辨率、不同视数的实测SAR图像分别采用文中所提各分布估计器与对应的矩估计器进行拟合实验,实验结果的全面对比分析证明了所提方法的有效性。     

基于L1范数凸包数据描述的多观测样本分类算法

为建立高维空间样本分布的最佳覆盖为目标来实现覆盖分类,该文提出基于L1范数凸包数据描述的多观测样本分类算法。首先对训练集的每个类别以及测试集的多观测样本分别构造凸包模型,这样多观测样本的分类就转化为凸包模型的相似性度量问题。若测试集的凸包模型与训练集无重叠,采用L1范数距离测度进行凸包模型之间的相似性度量;若有重叠,采用L1范数距离测度进行收缩凸包(reduced convex hulls)之间的相似性度量。然后采用最近邻准则作为多观测样本的分类决策。在3个数据库上进行的实验结果,表明该文提出方法对于多观测样本分类具有可行性和有效性。