基于可分性测度的模糊隶属函数确定方法

隶属程度的思想是模糊数学的基本思想,应用模糊数学方法解决实际问题的关键在于建立符合实际的隶属函数,然而,如何正确地确定隶属函数仍是至今尚未完全解决的问题.鉴于此,提出一种基于可分性测度的隶属函数确定方法,利用类间在各个特征上的可分性确定模糊集的划分,进而确定描述该模糊集的隶属函数.通过轨道电路故障诊断实验表明了所提出方法的有效性.     

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM多类分类器的分类精度和速度.     

强杂波背景下LPI信号的模糊检测方法

研究了强杂波干扰背景下运用模糊集合理论解决低截获概率信号（LPI）雷达信号的检测问题,分析了在无源雷达体制下获取有效目标信号的方法,并指出了传统匹配滤波方法的局限性.针对该问题,给出了四种模糊集合相似性测度,在借鉴了传统的匹配滤波器基础上提出了构造模糊匹配滤波器,并利用模糊相似性测度为准则进行滤波运算,以解决强干扰背景中信号检测的问题.基于定义的相似性测度准则对LPI信号采用模糊匹配滤波,仿真结果表明该方法具有在强干扰背景下检测目标的良好能力,其性能优于传统匹配滤波方法.     

基于多特征自适应融合的核跟踪方法

提出了一种基于多特征自适应融合的核跟踪框架. 利用目标特征的子模型集合构造了目标的多特征描述, 通过线性加权方法将目标的多个特征集成在核跟踪方法中. 根据各个特征子模型与当前目标及背景的相似性, 提出了一种基于 Fisher 可分性度量的权值自适应更新机制; 同时为了克服模型更新过程中的漂移, 基于子模型的可分性提出了一种选择性更新策略, 实现了在变化场景下的鲁棒跟踪. 基于本文所提多特征跟踪框架, 利用目标的颜色特征与 LBP (Local binary pattern) 纹理特征具体实现了多特征自适应融合的核跟踪方法, 实验验证了本文方法的有效性.     

基于核空间距离测度的特征选择

提出核空间距离测度这一可分性判据。在核空间中计算两类样本点之间的距离,并以距离的大小评价子集的分类性能。使用顺序前进法作为搜索算法,在人造和真实的数据集上进行测试,文中的核空间距离测度可分性判据明显优于传统非核的可分性判据,优于或接近于Wang提出的核散布矩阵测度,并在运行时间上快一个数量级。将文中方法应用于胰腺内镜超声图像分类,取得较好分类结果。     

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM 多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM类分类器的分类精度和速度.

     

碳纤维复合材料缺陷的小波包分析

利用超声相控阵检测系统对含有裂纹、夹杂、分层三种缺陷的碳纤维复合材料实验板进行检测。对采集到的缺陷信号,在计算机中利用小波包变换进行分析。提出基于距离可分性测度的小波基评估准则,以确定最优小波基。对三种缺陷信号用sym8小波进行小波包的分解和重构,用"频率-能量"的方法提取各类缺陷信号的能量特征;结果表明,该方法对碳纤维复合材料的缺陷类型的区分具有较好的效果,从而为缺陷自动识别奠定了基础。     

基于SVM决策树的文本分类器

研究了SVM决策树分类器在文本分类中的应用,提出了一种有效的SVM决策树分类器的优化构建方 法.该方法利用类间距离衡量两类间的可分性,并进一步用来描述各结点分类器类集合间的可分性.基于综合考虑结点分类器的类集合可分性,该方法能够获得优化的结点分类器类划分算法,由此构建的SVM决策树分类器在整体性能上得到优化,在文本分类中获得良好效果.     

面向硬件木马检测的旁路信号特征选择方法

针对基于旁路分析的硬件木马检测中存在的旁路信号冗余以及高维问题,探究特征选择方法在去除冗余、降低旁路信号维数方面的可行性,提出了一种以类内类间距离作为可分性判据的特征选择方法对旁路信号进行预先处理。首先分析了IC芯片旁路信号的特征选择问题,然后阐述了基于类内类间距离的可分性判据以及特征选择搜索算法,最后在FPGA密码芯片中植入硬件木马,并基于K-L方法进行检测实验,通过对旁路信号进行特征选择前后的木马检测效果对比发现,该特征选择方法能有助于分辨出无木马的“金片”与含木马芯片之间旁路信号的统计特征差异,更好地实现硬件木马的检测。     

SCTM:一种基于信号冲突的可测性测度

本文提出了一种基于信号冲突的可测试性测度SCTM.该测度主要针对SCOAP对扇出重汇聚等问题处理所存在的缺陷,着重考虑了扇出重汇聚在测试过程中可能导致的信号冲突.     

基于Mahalanobis距离的运动意识分类研究

提出基于Mahalanobis距离判别式算法的意识任务分类方法.对被测试者想象左右手运动时脑电信号的mu节律能量变化进行在线动态分析,提取EEG(C3,C4)两个通道的mu节律能量作为特征向量,用Mahalanobis距离判别式算法对左右手运动想象脑电模式进行分类,实验结果表明,正确识别率可达87.86%.     

Multigroup classification of audio signals using time-frequency parameters

The ongoing advancements in the multimedia technologies drive the need for efficient classification of the audio signals to make the content-based retrieval process more accurate and much easier from huge databases. The challenge of this task lies in an accurate extraction of signal characteristics so as to derive a strong discriminatory feature suitable for classification. In this paper, a time-frequency (TF) approach for audio classification is proposed. Audio signals are nonstationary in nature and TF approach is the best way to analyze them. The audio signals were decomposed using an adaptive TF decomposition algorithm, and the signal decomposition parameter based on octave (scaling) was used to generate a set of 42 features over three frequency bands within the auditory range. These features were analyzed using linear discriminant functions and classified into six music groups (rock, classical, country, jazz, folk and pop). Overall classification accuracies as high as 97.6 % was achieved by linear discriminant analysis of 170 audio signals.     

脑磁图脑功能连接网络癫痫棘波识别方法研究

脑磁图（MEG）现在被广泛用于临床检查及很多领域的医学研究中,基于静息态的脑磁图脑网络分析能用于研究大脑生理或病理机制。脑磁图分析对癫痫疾病的诊断具有重要的参考价值。对癫痫脑磁信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。现有文献中对癫痫脑电信号的自动分类方法的研究已比较充分,但对癫痫脑磁信号的研究比较薄弱。提出了一种基于脑功能连接网络的全频段机器学习癫痫脑磁棘波信号自动判别方法,对四种分类器进行了综合判别对比,选择了效果最优的分类器,判别准确率可达到93.8%。因此,该方法在脑磁图癫痫棘波的自动识别与标记方面有较好的应用前景。     

基于小波包和局域判别基的脚步信号提取方法

着重研究在复杂的城市背景噪声环境下,对入侵人员脚步信号的提取与检测.通过对脚步信号及城市背景噪声的频谱特征分析,提出一种基于震动信号的人员脚步信号提取方法,该方法通过小波包分解(WPD)结合局域判别基(LDB)划分信号特征频带,有效地分离了城市中的过往车辆对入侵人员脚步信号的干扰并做出准确提取,仿真与实验结果证明,与常用的脚步识别算法相比,该算法鲁棒性,普适性及抗干扰性更好,符合实际工程应用需求.     

基于多核Fisher判别分析的人脸特征提取

核Fisher判别分析法是一种有效的非线性判别分析法。传统的核Fisher判别分析仅选用单个核函数,在人脸特征提取方面仍显不足。鉴于此,提出多核Fisher判别分析法,即通过将多个单核Fisher判别得到的投影进行加权组合得到加权投影,以加权投影为依据进行特征提取和分类。实验表明,在进行人脸特征提取和分类时,多核Fisher判别分析法优于单核Fisher判别分析法。     

Local intensity variation analysis for iris recognition

As an emerging biometric for human identification, iris recognition has received increasing attention in recent years. This paper makes an attempt to reflect shape information of the iris by analyzing local intensity variations of an iris image. In our framework, a set of one-dimensional (1D) intensity signals is constructed to contain the most important local variations of the original 2D iris image. Gaussian-Hermite moments of such intensity signals reflect to a large extent their various spatial modes and are used as distinguishing features. A resulting high-dimensional feature vector is mapped into a low-dimensional subspace using Fisher linear discriminant, and then the nearest center classifier based on cosine similarity measure is adopted for classification. Extensive experimental results show that the proposed method is effective and encouraging.     

多级中文文本情感分类算法研究

针对文本情感分类准确率不高的问题,提出基于CCA-VSM分类器和KFD的多级文本情感分类方法。采用典型相关性分析对文档的权重特征向量和词性特征向量进行降维,在约简向量集上构建向量空间模型,根据模型之间的差异度设计VSM分类器,筛选出与测试文档差异度较小的R个模型作为核Fisher判别的输入,最终判别出文档的情感观点。实验结果表明:该方法比传统支持向量机有较高的分类准确率和较快的分类速度,权重特征和词性特征对分类准确率的影响较大。     

Inertial sensors-based torso motion mode recognition for an active postural support brace*

ABSTRACT

In order to achieve high-level control for an active postural support brace, it is important for a wearable robot to be capable of recognizing human motion intentions. An inertial sensors-based torso motion mode recognition method is proposed in this study. The experiments are conducted to define range of torso motion, capture human motion signals by using four inertial sensors on seven healthy subjects, and utilize a classification method to achieve torso motion recognition based on human intent. Up to sixteen modes for torso motion recognition are investigated, and cascaded classification methods combining a quadratic discriminant analysis (QDA) classifier and a support vector machine (SVM) classifier are deployed. With selected cascaded classification strategies, cross-validation yielded classification accuracies of 95.18% (QDA) and 96.24% (SVM). The obtained results of the study show that inertial sensors based motion recognition is viable to achieve in high recognition accuracy which is promising for future robotic applications.     

Modified linear discriminant analysis

In this paper, a modified Fisher linear discriminant analysis (FLDA) is proposed and aims to not only overcome the rank limitation of FLDA, that is, at most only finding a discriminant vector for 2-class problem based on Fisher discriminant criterion, but also relax singularity of the within-class scatter matrix and finally improves classification performance of FLDA. Experiments on nine publicly available datasets show that the proposed method has better or comparable performance on all the datasets than FLDA.     

基于判别式分析和神经网络的特征选择方法

为了获得重要的特征集合，提出了一种基于判别式分析算法和神经网络的特征选择方法。通过最小化扩展互熵误差函数来训练神经网络，这一误差函数的使用减小了神经网络传输函数的导数，降低了输出敏感度。该方法首先利用判别式分析算法得到一个有序的特征队列，然后通过正则化神经网络进行特征的选择，特征选择过程是基于单个特征的移除带来验证数据集上分类误差变化这一原理。与其他基于不同原理的四种方法进行了比较，实验结果表明，利用该算法训练的网络能够获得较高分类准确率。