混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于模块化神经网络的轴承故障判断方法

提出了一种用于滚动轴承类故障识别的混合模块化神经网络方法．该方法将用于检测故障的过滤网络模块与用于分类的网络模块相组合．首先将不同故障类别轴承的振动信号形成的特征向量经过滤模块，用改进的BP算法判断有无故障，然后经分类网络模块确定其所属故障类型．分类模块中的网络结构则通过对每类故障独立训练形成．实验结果证明，与单一神经网络学习及判断结果相比较，本文提出的方法准确率更高，实用性更强．     

基于多证据的血液白细胞自动分类

对白细胞分类方法提出了一种基于形状特征学习的分类算法.该算法首先从细胞核中提取基于欧氏距离变换的不变矩特征和形态学特征;然后,所提取的特征可以实现对单核细胞、淋巴细胞、嗜碱性粒细胞的分类;最后,提取灰度共生矩阵作为纹理特征,通过支持矢量机实现对剩余白细胞类别的分类.实验结果表明,该方法具有很好的分类准确率及较短的处理时间.     

一种适应概念漂移数据流的分类算法

针对带有概念漂移的数据流的分类问题,提出一种新颖的能够识别并且适应概念漂移数据流的分类算法。该算法将原始数据流沿着时间轴划分为若干数据块后,选择第一块中有代表性的数据作为样本训练模型,从而减轻了噪声和边界对分类精度的影响,使得漂移检测能较为全面且对离群点不过于敏感;此后对随后的数据块进行分类,并依据分类结果动态修正当前分类模型。实验结果表明:该方法能够根据数据流的当前状况自动调整分类模型,快速适应数据流概念漂移的情况,并得到较好的分类效果。     

投影残差分类器

针对声音、图像等高维数据的分类问题,提出了一种快速算法。首先通过非线性特征映射,将各个类别的训练样本集转换到特征空间中,构造相应的特征子空间,然后提取它们的主要特征。特征映射能够降低特征子空间的维数,并增强它们之间的两两正交性,提高了分类的准确性。在进行分类时,该方法将测试样本向各个特征子空间投影,并计算投影残差,测试样本即为投影残差最小的特征子空间的样本。与传统的分类方法不同,快速算法能一次区分多个类别,并具有与支持向量机相同的准确率。又使用了流形学习理论对快速算法进行改进,在保持准确率的前提下,极大地降低了特征子空间的维数,验证了流形学习理论的应用价值。     

一种基于属性加权补集的朴素贝叶斯文本分类算法

针对文本训练集中各个类别的样本分布不均衡时,少数类别的特征会被多数类别的特征淹没的问题,提出一种属性加权补集的朴素贝叶斯文本分类算法,该算法使用属性加权改进补集朴素贝叶斯算法,使用TF-IDF算法计算特征词在当前文档中的权重;利用当前类别补集的特征表示当前类别的特征并结合特征词在文档中的权重,解决分类器容易倾向大类别而忽略小类别的问题。与传统的朴素贝叶斯及补集朴素贝叶斯算法进行对比实验,结果表明:在样本集分布不均衡时,改进算法的性能表现最优,分类准确率、召回率及G-mean性能分别可达82.92%、84.6%、88.76%。     

基于数据挖掘的入侵检测多分类模型研究

入侵检测系统捕获的大量网络数据,需要采取有效的算法进行分类,用以判别数据流是否异常以及所属的攻击类别。为了有效地挖掘出判别数据流的模式与规则,针对入侵检测系统的分类器模型,采用数据挖掘技术中的反向传播神经网络算法、有监督的Kohonen神经网络算法和支持向量机算法进行对比研究。主要分析了各个算法的分类正确率、检测率和误...     

基于平均差异度的改进k-prototypes聚类算法

针对k-prototypes聚类算法随机选取初始聚类中心导致聚类结果不稳定,以及现有的大多数混合属性数据聚类算法聚类质量不高等问题,提出了基于平均差异度的改进k-prototypes聚类算法.通过利用平均差异度选取初始聚类中心,避免了初始聚类中心点选取的随机性,同时利用信息熵确定数值数据的属性权重,并对分类属性度量公式进行改进,给出了一种混合属性数据度量公式.结果表明,改进后的算法具有较高的准确率,能够有效处理混合属性数据.     

基于卷积神经网络的生活垃圾图像分类模型设计

利用基于深度学习的VGG-16卷积神经网络模型,对涵盖4个大类243个小类生活垃圾的77656张图像进行分类检测识别.为了保证模型检测的准确性,先引入Retinex算法对图像进行增强处理,然后对分类交叉熵损失函数进行改进,加入L1正则化和L2正则化,构建新的损失函数.实验结果显示,使用原VGG-16网络模型对垃圾图像进行分类,准确率为94.43％,损失值为0.53;引入Retinex算法对图像进行增强处理后,准确率为95.56％,损失值为0.36;在损失函数中加入L1或者L2正则化后,分类准确率较原网络模型有较小幅度的提升;采用改进后的交叉熵损失函数之后,准确率达97.67％,损失值仅为0.18.     

基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.     

基于多策略改进蝙蝠算法的文本特征选择

特征选择是文本分类过程的重要处理步骤,在其他分类预处理环节和分类算法确定的条件下,通过传统特征选择方法很难大幅度提高文本分类的准确率。针对此问题,介绍了一个基于改进蝙蝠优化的新的文本特征选择方法,即利用传统的特征选择方法对原始特征进行预选,在此基础上使用高斯局部扰动和自适应调节权重机制改进传统蝙蝠群算法,并以二进制编码形式对预选特征进行优选,分类准确率作为个体的适应度,提出了多策略改进蝙蝠算法的文本特征选择算法MS-BA,实现对文本特征选择优化模型的高效求解。结果表明,采用MS-BA进行特征优选后,其分类准确率得到有效提高。     

基于改进ATSVM算法的评审专家自动推荐模型

提出一种基于文本分类技术的评审专家自动推荐模型,通过文本分类技术对评审专家所发表的论文进行所属学科领域的分类,进而判断出评审专家的主要研究领域。模型采用了基于TF/IDF特征权重阈值的向量空间模型算法和改进后的ATSVM分类算法。实验结果表明,改进后的ATSVM分类算法可以增加交互的过程使训练得到的分类器具备自学习的能力,改进后的主动学习SVM分类器在多类别的分类上能够精确分类并且提高分类速度。     

一种对噪音健壮的数据流分类算法

数据流挖掘中的主要问题是概念流动和噪音污染。目前的数据流挖掘算法不能有效地处理数据流中的噪音,而一个理想的学习算法应该同时拥有对概念流动的敏感性和对噪音的健壮性。文中探讨了如何使用聚类方法在数据流中区分出噪音实例和难以学习的实例,并提出了相应的概念流动检测方法。在此基础上设计了基于推进技术的集合分类器算法RobustBoosting。通过在合成数据集和实际数据集上的实验,表明文中的算法即使在高达40%的类噪音时,与AdaptiveBoosting算法[1]相比,仍能保持更高的分类准确度,更快地收敛到新的目标概念。     

基于单类别学习的自适应数据流分类算法

目前挖掘概念流动的数据流已经成了研究热点。文章提出了一种既能很好地处理概念漂移又能从单类别中学习的算法UP-AB。通过在超平面数据集和标准数据集上的实验,与PNB[1]算法比较,表明该算法具有更高的准确度,能更快地适应概念漂移。     

基于多尺度特征Transformer的细粒度图像分类方法

针对细粒度图像分类任务的长尾分布问题，提出了一种基于多尺度特征Transformer的细粒度图像分类方法，实现了底层与深层特征的保护并优化了长尾分布。首先，设计了混合数据采样方法，获取用于优化表征学习、长尾分布和细粒度特征的三元组数据；然后，设计了Transformer多尺度特征优化方法，分别通过底层特征对比学习方法与深层特征平衡学习方法优化特征学习过程，改善类别混淆和细粒度特征的提取，在保护头部类别特征学习的同时增加对尾部类别的关注。仿真结果表明，所提方法可以有效地改善细粒度图像分类任务中长尾分布带来的影响，优化特征分布，提高分类准确率。     

自适应局部关系网络的小样本学习方法

针对基于度量学习的小样本学习方法中嵌入模块泛化能力差、提取图像级表征可能会损失大量辨别信息的问题,提出一种自适应的局部关系网络。该网络引入一个自注意力机制,使嵌入模块能够提取到每个类别特定的信息,将信息从任务无关的泛化概念转化为任务相关的独有特征;同时引入局部描述子的思想,每个局部描述子对应图片中的一个区域,通过局部描述子将关注点放在图像与类别之间的比较,有效消除类内差异和背景混淆,再将局部描述子与一种非线性的度量方式进行融合,应用改进的损失函数对图片进行分类识别。在MiniImagenet和Omniglot两个小样本学习常用数据集上的实验表明,改进算法能够高效地提高分类准确率。     

基于朴素贝叶斯网页分类的用户行为推衍

针对传统网页分类中存在的准确率和查全率不高、分类效率低的情况,提出一种基于朴素贝叶斯分类的网页预分类算法.算法根据用户的网上活动情况提取相关网址,分析网页内容和网页关键词,利用朴素贝叶斯分类算法进行分类,根据用户对各类网页的浏览情况分析用户的行为特征.采用改进的文本权值计算方法,并引进网址预分类机制,提高数据的处理效率以及分类的准确率.结果表明,网址分类算法准确,能够充分发掘用户的兴趣喜好,可以作为用户行为分析的数据算法进行商业推广和司法取证.     

联合深度学习和专家先验特征的信号调制识别

自动调制识别在智能信号分析中起着关键作用，目前研究方法主要有专家先验特征和深度学习。这两者存在各自的优劣势，但难以有效结合实现优势互补，因此提出一种联合深度学习和专家先验特征的信号调制识别算法，提高复杂信道干扰下多种调制类别信号的识别准确率。将设计的神经网络代替决策树的分类判决门限，并结合输入的专家先验特征实现分层分类。实验表明，该算法性能要优于现有方法，在多径衰落信道下也可以取得较高的识别准确率。     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.