基于ODP的上下文主题描述方法

 针对以往主题描述方法未充分考虑主题上下文的问题,提出了基于ODP(开放式分类目录)的上下文主题描述方法.使用新的特征选择算法对主题特征进行了确定,并使用分类主题树的上下文对主题描述方法进行优化以提高主题爬行的性能.实验表明,该特征选择算法能够有效地提取出主题特征,并在保证正确率的基础上尽量减少特征维数以提高计算效率.同时,该主题描述算法充分考虑了主题上下文关系,且无论是在准确性还是在信息量总和上都有良好的性能.     

基于对话内容的交互型文本会话主题挖掘

传统的主题挖掘模型一般仅从交互型文本中挖掘出文档主题,为了能够从中挖掘出会话主题并提高挖掘模型的普适性,提出了一种基于对话内容的交互型文本会话主题生成模型。首先通过分析交互型文本的特征,基于主题树的概念,定义了一个5层结构的对话生成树。以此为基础,再基于LDA构建会话主题生成模型(ST-LDA)。最后采用吉布斯抽样法对ST-LDA进行推导,得到会话主题及其分布概率。使用实际数据进行验证,结果表明,ST-LDA模型可以从交互型文本中有效地挖掘出会话主题。此外,成果可以降低分类算法的复杂度,回溯主题—参与者关联关系,具有较好的普适性。     

基于LDA主题模型的情感分析研究

LDA主题模型在提取特征时缺乏对词语关联及相关词对的理解,这会影响情感极性分类的准确率。针对这一问题,文中提出一种在LDA主题模型中引入特征情感词对抽取方法的新模型,以改善特征情感词对的抽取效果。利用依存句法分析设计特征情感词对的识别方法,随后将识别方法作为约束条件引入LDA模型对特征情感词对进行抽取。通过吉布斯采样进行参数计算,给出了模型的生成过程。最后利用随机森林分类方法对文本进行情感极性分类。为验证文中模型的有效性,将其和另外两种模型一起进行实验,当主题个数为20时,文中所提模型分类的准确率、召回率、F值分别为81.54%、83.13%和82.33%,显著高于另外两种模型。     

基于有监督主题模型的排序学习算法

文档表示是排序学习的关键,目前的排序学习算法多采用词袋法表示文档与查询,该方法假设词袋中的词相互独立,忽略了词之间的关系.为了表示文档中词之间的依赖关系,本研究利用文档与查询的主题特征构建排序学习模型,我们将排序函数定义为文档与查询之间的主题关系,提出了基于有监督主题模型的排序学习算法自动学习排序函数.为了评价模型的排序精度,我们在三个标准数据集(OHSUMED,MQ2007,MQ2008)上进行了实验.实验表明基于主题的排序学习算法能够发现文档与查询之间内在的语义关联,并改善排序模型的排序精度.     

基于多模型融合的开放式创新社区内容质量特征挖掘

开放式创新社区高质量用户生成内容特征对企业精准获取技术创新意见具有重要作用。本文构建了开放式创新社区用户生成内容质量多维评价体系,提出一种融合5种算法的特征选择方法,在3种分类模型评估中得出最优特征子集,挖掘重要因素与高质量用户生成内容之间的关系。集成特征子集在模型上计算时间平均节约54.54%,比单一特征选择算法得到的特征子集预测准确率平均提高10.47%。基于多模型融合算法能够客观全面评估开放式创新社区用户生成内容质量,让企业能够精准识别高质量用户生成内容,促进企业开放式创新。     

基于Haarlike的人脸民族特征分析

文中利用Haarlike模板来对不同族群的人脸进行特征提取.利用Haarlike模板生成算法筛选出用于分析人脸特征的Haarlike模板,对构建的人脸数据库进行特征提取,利用C5.0、C&R Tree、BP NN和SVM对训练样本进行学习,并对测试集进行分类和预测,其对维族、藏族、壮族的识别精度分别为80%、74%、88%.为人脸的民族特征识别提供了一种高效快速的方法.     

一种基于高相关性特征集选择技术的病历大数据分类方法

在所有新兴的大数据研究主题中,数据分类问题成为我们在分析问题时遇到的一个巨大挑战。在分析大规模病历时,采用树状结构的分层学习方法训练最大边缘分类器,可以得到较好的分类结果,且具有较高的计算效率。特征的质量影响分层学习算法对病历分类的效果。因此,我们必须提取判别特征来训练层次分类器。文章提出了一种高度相关特征集选择(HCFS)算法,并将其与分层学习方法相结合,该算法可识别出良好的特征子集,提高分类精度。     

红外偏振和光强图像差异特征分类树的构建

红外偏振和光强图像差异特征分类是融合算法随着差异特征类型的变化而自适应变化的前提。构建了差异特征分类树,以此实现差异特征分类。首先分析红外偏振和光强成像的差异特性,依据其成像差异特性构建分类树第1层差异的类别;然后对多组图像统计并描述第1层差异类别下的各差异信息,依据统计结果构建第2层差异的类别;最后提取红外偏振和光强图像的差异特征,将其按照差异特征分类树进行分类。实验表明,所建立的差异特征分类树可将红外偏振和光强图像的差异特征分类。     

通信特定辐射源识别的多特征融合分类方法

针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法。首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充。然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据集进行学习,得到初始分类结果。最后,通过叠加融合学习初始分类结果,得到最终的分类结果。实测数据分析结果证明,所提方法相比基于单一特征提取方法和经典多特征提取方法有更高的准确率,使用室外典型场景多径衰落信道模型对辐射源信号进行了处理,所提模型仍可进行有效识别,能够适用于复杂无线信道环境的应用。     

在线健康社区用户特征研究——以“甜蜜家园”为例

随着互联网应用的发展,越来越多的患者通过在线健康社区获取健康信息。以"甜蜜家园"为例,通过描述性统计和聚类模型,分析用户行为特征,对论坛用户生成内容进行主题聚类并绘制词云图以挖掘用户需求特征,从用户行为和需求两个维度构建用户画像,以期为在线健康运营者提供启示和建议方法,更好地为用户提供服务。     

Multi-view representation learning for multi-view action recognition

Although multiple methods have been proposed for human action recognition, the existing multi-view approaches cannot well discover meaningful relationship among multiple action categories from different views. To handle this problem, this paper proposes an multi-view learning approach for multi-view action recognition. First, the proposed method leverages the popular visual representation method, bag-of-visual-words (BoVW)/fisher vector (FV), to represent individual videos in each view. Second, the sparse coding algorithm is utilized to transfer the low-level features of various views into the discriminative and high-level semantics space. Third, we employ the multi-task learning (MTL) approach for joint action modeling and discovery of latent relationship among different action categories. The extensive experimental results on M²I and IXMAS datasets have demonstrated the effectiveness of our proposed approach. Moreover, the experiments further demonstrate that the discovered latent relationship can benefit multi-view model learning to augment the performance of action recognition.     

基于融合特征的现勘图像检索结果优化算法

刑侦现勘图像数据库是具有保密性高、图像内容罕见等极具行业特色的图像数据库.针对现勘图像内容复杂、目标物体不明确的特点,提出了DCT-DCT波纹理特征,并与HSV颜色直方图特征、GIST特征相融合构成融合特征.与常用的图像特征相比,DCT-DCT波纹理特征能够得到较高的检索效率,而融合特征的平均检索查准率高于构成其本身的三种特征的平均检索查准率.最后,将语义分析技术引入到检索过程中,提出基于检索结果优化的现勘图像检索算法,利用支持向量机（Support Vector Machine,SVM）分类器对查询图像进行语义提取,并对初次检索的结果进行语义分析,根据初检结果中语义类别的占比选择二次检索方案,该算法能在按例查询的基础上进一步提高平均检索查准率.     

通信辐射源的潜在细微特征提取方法

为了充分挖掘高维特征空间中辐射源的细微特征, 提出一种基于全局潜在低秩表示(Global Latent Low Rank Representation, GLat-LRR)的通信辐射源潜在细微特征提取方法.首先, 提取通信辐射源信号的瞬时频率, 通过傅里叶变换将信号投影到高维特征空间; 挖掘特征样本之间全局的低秩结构和维度之间全局的潜在低秩关系, 将特征样本集作为整体应用到潜在低秩表示模型中, 利用维度之间低秩关系得到特征样本集的潜在部分矩阵, 每个列向量即为每个通信辐射源信号的潜在细微特征向量.在实际采集的同厂家同型号FM电台数据集上, 该方法提取的潜在细微特征能够显著提高通信辐射源个体识别的性能.     

基于宽度学习的注塑产品质量预测方法

在注塑成型工业中,产品质量自动监测一直是注塑工业智能化发展的核心问题。高品质和大规模的产品质量数据采集成本高昂,导致数据样本量少、不同类别样本数据不平衡,为注塑产品质量预测提出了更高的挑战。为此,该文提出一种基于宽度学习方法的注塑产品质量预测模型,以产品的3维尺寸为预测目标,在普通的宽度学习系统(BLS)中加入最小p范数来改进得到模型p范数宽度学习系统(pN-BLS),解决小样本和不平衡数据的问题,提高模型对离群点的检测性能。在第4届工业大数据竞赛任务2《注塑成型工艺的虚拟量测和调机优化》数据集中,将192个参数特征与预测目标进行相关分析,提取相关性高的基础特征17个,衍生特征4个和调机参数2个作为模型的输入。将16600条数据平均分为训练集和测试集各8300条,与支持向量机 (SVM)、最近邻算法 (KNN)、多层感知机 (MLP)和BLS进行对比实验,实验结果显示pN-BLS具有更快速和更准确的预测效果。在实际缺陷检测应用中,pN-BLS能更准确地预测异常数据,具有更高的鲁棒性。     

Intermediate deep feature coding for human–machine vision collaboration

Traditional image coding are mainly designed for human vision. While for collaborative intelligence, deep feature coding is specific for machine vision, which includes feature extraction and compression. Actually, deep features can build a bridge between human and machine vision. Therefore, we focus on generalized deep feature extraction and compression for multitask, which includes image reconstruction task for human vision and computer visual tasks for machine vision. After analyzing correlation among multitask, a reconstruction guided feature extraction strategy and feature fusion based network are proposed to get more generalized intermediate deep feature, which contains sufficient information friendly for human and machine vision. Besides, a non-uniform quantization method based on importance and a compact representation method for feature distribution information protection are proposed for high efficiency feature coding. Eventually, we come up with an entire intermediate deep feature coding framework including feature extraction and compression. Experimental results indicate the performance gains with our framework.     

Intelligent Diagnosis and Prognosis of Tool Wear Using Dominant Feature Identification

Identification and prediction of a lifetime of industrial cutting tools using minimal sensors is crucial to reduce production costs and downtime in engineering systems. In this paper, we provide a formal decision software tool to extract the dominant features enabling tool wear prediction. This decision tool is based on a formal mathematical approach that selects dominant features using the singular value decomposition of real-time measurements from the sensors of an industrial cutting tool. Selection of dominant features is important, as retaining only essential features allows reduced signal processing or even reduction in the number of required sensors, which cuts costs. It is shown that the proposed method of dominant feature selection is optimal in the sense that it minimizes the least-squares estimation error. The identified dominant features are used with the recursive least squares (RLS) algorithm to identify parameters in forecasting the time series of cutting tool wear. Experimental results on an industrial high-speed milling machine show the effectiveness in predicting the tool wear using only the dominant features.      

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于模糊多特征递归分组算法的隐树结构图模型学习

隐树结构图模型通过引入了隐藏节点来描述变量之间的潜在关系,因而可以更好地对变量之间的相关性进行建模。树模型学习过程中,从变量观测数据所提取的有用特征数量,决定了该模型对变量间深层关系的建模能力;而现有学习算法都是对观测数据直接计算统计量来进行模型学习,未能按观测数据中的特征分类处理。针对现有算法对观测数据中信息利用不充分的不足,该文提出基于模糊多特征递归分组算法的隐树模型学习方法。首先,将变量的原始观测数据通过反映其特征的模糊隶属度函数转化成多个模糊特征,并构造多维模糊特征向量;其次,计算两两变量模糊特征向量之间的距离,并将其综合得到所有变量之间的模糊特征向量距离矩阵;最后,基于该距离矩阵,利用递归分组算法学习隐树模型。该文还将所提算法应用于股票收益数据和气温数据建模,验证了该文算法的实用性和有效性。     

No-reference image quality assessment based on spatial and spectral entropies

We develop an efficient general-purpose no-reference (NR) image quality assessment (IQA) model that utilizes local spatial and spectral entropy features on distorted images. Using a 2-stage framework of distortion classification followed by quality assessment, we utilize a support vector machine (SVM) to train an image distortion and quality prediction engine. The resulting algorithm, dubbed Spatial–Spectral Entropy-based Quality (SSEQ) index, is capable of assessing the quality of a distorted image across multiple distortion categories. We explain the entropy features used and their relevance to perception and thoroughly evaluate the algorithm on the LIVE IQA database. We find that SSEQ matches well with human subjective opinions of image quality, and is statistically superior to the full-reference (FR) IQA algorithm SSIM and several top-performing NR IQA methods: BIQI, DIIVINE, and BLIINDS-II. SSEQ has a considerably low complexity. We also tested SSEQ on the TID2008 database to ascertain whether it has performance that is database independent.     

基于边缘修正的高光谱图像超像素空谱核分类方法

本文提出了一种边缘修正的超像素空间光谱核分类方法,该方法能够有效解决构建空谱核时超像素方法提取的空间信息完全依赖于同一个超像素特征,边缘处像素空间信息刻画不准确这一缺陷,从而有效提升分类精度.首先本文提出一种固定窗口与超像素结合的同质区域选择方法,对提取的邻域像素进行赋权,将超像素中固定窗口外的像素权值置零,得到修正的空间光谱核;其次,进一步考虑相邻超像素之间的相关性,得到相邻超像素间的空间特征光谱核,并与上一步中的空间光谱核进行凸组合得到修正的超像素空间光谱核,最后采用支持向量机进行分类.真实高光谱数据实验结果表明：本文方法能有效克服超像素空谱核的空间信息不稳定性,分类精度优于现有的最新的分类方法.