基于模糊聚类的神经元识别方法

大脑是生物体内结构和功能最复杂的组织,其中包含上千亿个神经元。作为大脑构造的基本单位,神经元的结构和功能包含很多因素,其中神经元的几何形态特征就是一个重要方面。大脑中神经元的几何形态复杂多样,对其识别分类问题是一个难题。本文在模糊聚类的基础上根据神经元的几何形态建立了模糊集模型 ,并利用多数据库分类模型中的最优划分模型对模糊聚类分析法进行改进。将改进后的模糊聚类方法用于对神经元的识别分类,得到最优的分类结果。根据聚类的评价方法,与其他的聚类方法比较,证明了改进的模糊聚类方法能够得到更好的聚类效果。     

结合距离分类器的神经网络手写体汉字识别

手写体汉字识别技术中如何解决复杂的大类别识别问题,是汉字识别中的一个难点。该文介绍了基于笔划的手写体汉字特征抽取方法,提出了一种基于预分类的神经网络汉字识别方法,该方法用一个传统的距离分类器先对汉字进行预分类,神经网络根据预分类结果进行有选择的训练和识别,能有效解决神经网络大类别模式识别中的训练和分类问题,学习时间很短,识别效果较理想。     

基于非线性嵌入的自联想神经网络

传统分类器常依赖于低维度子空间的特征进行分类,但仅在单个子空间下进行分类会因为不同类别的重叠而效果不佳。为此,提出一种基于流形学习的神经网络分类方法,利用非线性嵌入方法获得数据每个类的子空间,再使用非线性嵌入判别准则优化各个径向基函数自联想神经网络的参数。实验结果表明,该方法能有效解决类别重叠问题,分类准确率和鲁棒性高于传统分类方法。     

分类区间小波网络在目标识别中的应用

介绍一种区间小波的构造方法.并将区间小波与神经网络相结合,提出一种用于信号分类的分类区间小波网络,利用它解决小波网络的基底空间与被学习信号所属空间不匹配的问题.在分类区间小波网络模型中引入模拟退火策略,并采用自适应变学习系数训练网络.实验结果表明,将分类区间小波网络应用于雷达目标识别,可以减少神经元数目,提高网络收敛速度,并能较好解决高维学习的"维数灾难"问题,获得较好的分类效果.     

基于条件生成对抗网络的不平衡学习研究

对于不平衡数据的分类,不平衡率并不是影响分类效果的唯一因素,类别间的重叠、正类样本的分离以及噪音样本的存在等均会对分类效果造成影响.针对具有类别重叠的不平衡数据集,提出基于CGAN模型的重抽样方法(RECGAN).该方法结合负类样本的欠抽样和正类样本的过抽样,既能够提高重叠区域正类样本的识别度,又可以克服以往均从样本点的局部邻域出发合成样本的缺陷.实验结果表明,无论是从AUC和F1的取值看,还是从数据集上的平均排序看, RECGAN方法均具有明显的优势.     

优化的覆盖算法在文本挖掘中的应用研究

文章首先分析了覆盖算法中存在的两个主要缺点,即由于分类边界的粗糙而造成的测试样本拒识的概率较大以及当所得的覆盖存在交叉时,测试样本的类别确定问题,在此基础上应用基于商空间的粒度计算理论针对覆盖算法中的第二个缺点进行优化,即对覆盖算法中的由于覆盖交叉而误判的样本进行二次识别。通过减小识别样本的粒度,使覆盖粒度在由粗到细的变化过程中,实现对误判样本的渐进识别,在更小的空间上实现对误判样本的二次识别,从而提高了识别率。最后在已进行过预处理的中文文本数据库中使用优化后的覆盖算法,实验结果表明,优化后的方法减少了误判样本的数量,降低了识别样本时的出错率,有效地提高了分类的精度。     

MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模型(GMM)在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型(SSGMM)泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.     

精神疲劳实时监测中多面部特征时序分类模型

针对现有疲劳监测方法仅根据单帧图像嘴巴形态进行哈欠识别准确率低,采用阈值法分析眨眼参数适应性较差,无法对疲劳状态的过渡进行实时监测等问题,提出一种新的进行精神疲劳实时监测的多面部特征时序分类模型.首先,通过面部视觉特征提取张口度曲线与虹膜似圆比曲线;然后,采用滑动窗口分段、隐马尔可夫模型(HMM)建模等方法在张口度曲线的基础上构建哈欠特征时序并进行类别标记,在虹膜似圆比曲线的基础上构建眨眼持续时间时序并进行类别标记;最后,在HMM的基础上增加时间戳,以便自适应地选取时序初始时刻点并进行多个特征时序的同步与标记结果的融合.实验结果表明,本文模型可降低哈欠误判率,对不同年龄的人群眨眼具有很好的适应性,并可实现对精神疲劳过渡状态的实时监测.     

结合邻居辅助策略的两阶段层次文本分类模型

传统两阶段层次文本分类模型（THTC模型）是一种解决大规模层次文本分类问题的有效方法,但该模型的分类准确率仍然不是很高。为了缓解这个问题,提出了结合邻居辅助策略的两阶段层次文本分类模型（THTC-NA模型）。THTC-NA模型由搜索阶段和分类阶段组成。搜索阶段采用扁平策略从所有的叶子类别中选择与待分类文档最相关的[k]个类别作为候选类别集,这样可以大大减小分类阶段的搜索空间。分类阶段通过结合候选类别的祖先类别和兄弟类别的分类结果来帮助计算候选类别在分类阶段的结果。最后将搜索阶段的结果和分类阶段的结果融合起来共同决定待分类文档的目标类别。在数据集Newsgroups-18828上的实验表明,相对于THTC模型,THTC-NA模型对提高层次文本分类准确率有很大的帮助。     

基于层叠CRFs模型的句子褒贬度分析研究

本文研究句子的褒贬度分析问题。针对传统的基于分类的句子褒贬度分析方法不能考虑上下文信息的问题,以及基于单层模型的句子褒贬度分类方法中的由于标记冗余引起的分类精度不高问题,本文提出了基于层叠式CRFs模型的句子褒贬度分析方法。该方法利用多个CRFs模型从粗到细分步地判断句子的褒贬类别及其褒贬强度,其中层叠式框架可以考虑句子褒贬类别与褒贬强度类别之间的层级冗余关系,而CRFs模型可以利用上下文信息对于句子褒贬类别和强度的影响。该方法在有效识别句子褒贬度的同时,提高了句子褒贬强度判别的准确度。实验证明相对于传统分类方法和单层CRFs模型,本文的方法取得了良好的效果。     

基于流身份识别的P2P流量检测

网络地址翻译器转发的混合流与P2P数据流呈现相似的流量外部特征。实际测试结果显示,如果数据捕获点位于网络地址翻译器之后,当前P2P流量特征识别方法（TLI）因为没有对网络地址翻译器(NAT)转发混合流进行区分而将导致虚警和漏报情况。为了解决此类问题,提出了基于流身份识别的P2P流量检测方法,首先通过分析IP标识时间序列完成对NAT转发混合流中源自不同设备数据流的身份识别,在此基础上采用流量特征检测P2P流量。以当前主要的P2P应用为例进行测试,结果说明,利用该方法可以有效识别NAT混合流中的P2P流量,较大幅度降低虚警率和漏报率。     

一种多特征分类识别算法融合的网络钓鱼识别技术

针对页面特征提取实时性差的问题进行了研究,提出将特征分类,并行提取、检测、再融合结果的方法。首先提取三个类别的主要特征,包括文本、视觉和网络链接;然后,分别利用了贝叶斯算法、EMD算法以及网络爬虫来进行分类;并且基于后验概率来确定权值的最终选取。最后,把这三个分类结果进行融合。通过对贝叶斯、加权和加权贝叶斯的比较,从正确率、漏报率和误报率对算法进行评估,实验表明采用加权贝叶斯的方法来进行融合计算效果最佳,能够提供较高的准确率和较低的误报和漏报,提高检测的精度和实时性。     

Classification of image objects in Epo doping control using fuzzy decision tree

Erythropoietin (Epo) is a hormone which can be misused as a doping substance. Its detection involves analysis of images containing specific objects (bands), whose position and intensity are critical for doping positivity. Within a research project of the World Anti-Doping Agency (WADA) we are implementing the GASepo software that serves for Epo testing in doping control laboratories worldwide. For identification of the bands we have developed a segmentation procedure based on a sequence of filters. Whereas all true bands are properly segmented, the procedure generates a number of false positives (artefacts). To separate these artefacts we suggested a post-segmentation supervised classification using real-valued geometrical measures of objects. The method is based on a fuzzy modification of Ross Quinlan’s ID3 method, included in the mlf™ software (Machine Learning Framework). It provides a framework that generates fuzzy decision trees, as well as fuzzy sets for input data. Initially used training set of segmented objects has been replaced by a new one prepared by more accurate expertise using the latest release of the GASepo software. The new fuzzy decision trees (FDT) have been generated for a set of five and nine fuzzy sets. The comparison of the results on testing set of segmented objects shows that the classification based on the new FDTs outperforms other classification methods.     

Adaptation of known background subtraction methods in the case of a moving PTZ camera mounted on a mobile platform

A general method of adaptation of pixel-by-pixel background subtraction models designed for a fixed camera is developed in the case of a PTZ camera mounted on a mobile platform. The method involves the use of two identical pixellevel background models. The first one is directly applied to the classification of the current scene, while the second one is used to prepare the first model for the transformation to the new coordinate system, the one closer to the current position of the PTZ video camera. The chosen solution makes it possible to eliminate a large number of false positives, which inevitably occur after each transformation of the background model. The experimental verification of the developed method using two well-known background models GMM and ViBe demonstrated good quality of the scene classification and low computational load.     

基于密集神经网络的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分。传统的结节检测方法主要通过简单的先验知识再利用低级的描述特征进行辅助检测,存在着假阳性高、敏感度低的问题。在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征。提出了一种基于密集神经网络的结节假阳性筛查模型:首先对CT图像进行阈值分割提取肺区再截取以结节为中心的图像,送入网络模型进行分类训率;在网络模型中,通过稠密连接强化特征利用、扩大特征空间,采用瓶颈层降低参数冗余。模型在公开的LIDC数据集上取得了95.82%的准确率,ROC曲线下面积达到0.987,CPM为0.772。实验结果表明了该模型的有效性,其性能优于相关文献的方法,适用于肺结节的假阳性降低。     

一种网络入侵检测的改进贝叶斯算法

入侵检测技术越来越受到人们的关注。提出了一种用于入侵检测中警报分类的改进自适应贝叶斯算法,该算法减少了入侵检测中的积极错误。通过对标准数据测试集KDD99进行实验,证明了此方法在短应答时间里拥有极高的分类效率,而且只需要极少的计算资源来减少积极错误。     

Vector Based Genetic Algorithm to optimize predictive analysis in network security

A new Intrusion Detection System (IDS) for network security is proposed making use of a Vector-Based Genetic Algorithm (VBGA) inspired by evolutionary approaches. The novelty in the algorithm is to represent chromosomes as vectors and training data as matrices. This approach allows multiple pathways to calculate fitness function out of which one particular methodology is used and tested. The proposed method uses the overlap of the matrices with vector chromosomes for model building. The fitness of the chromosomes is calculated from the comparison of true and false positives in test data. The algorithm is flexible to train the chromosomes for one particular attack type or to detect the maximum number of attacks. The VBGA has been tested on two datasets (KDD Cup-99 and CTU-13). The proposed algorithm gives high detection rate and low false positives as compared to traditional Genetic Algorithm. A detailed comparative analysis is given of proposed VBGA with the traditional string-based genetic algorithm on the basis of accuracy and false positive rates. The results show that vector based genetic algorithm provides a significant improvement in detection rates keeping false positives at minimum.     

一种主动学习式P2P流识别方法

P2P流的识别对于网络的维护与运营都具有重要意义,基于机器学习的流识别技术是目前研究的热点和难点内容,但目前仍然存在着建立分类模型需要大量适用的训练数据、训练数据的标记需要依赖领域专家以及因此而导致的工作量及难度过大和实用性不强等问题,而当前的研究工作很少涉及到这些问题的解决办法。针对这一问题,采用主动学习技术提取少量高质量的训练样本进行建模,并结合SVM分类算法提出了一种基于锦标赛选择的样本筛选方法。实验结果表明,其相对于已有的流识别方法,能够在仅依赖少量高质量训练样本的前提下,保证较高召回率及较低误报率,更适用于现实网络环境。     

应用于高速网络的基于报文采样和应用签名的BitTorrent流量识别算法

在高速网络上进行P2P流量识别具有极大的困难,因为基于端口号的方法已经不再准确,而基于应用签名的方法没有足够高的处理效率.提出了应用于高速网络的基于报文采样和应用签名的BitTorrent流量识别算法.建立了误检率和漏检率模型来分析报文采样率和签名率对识别准确度的作用,并指导应用签名和采样率的选择.通过开发流状态判别预处理器,在Snort平台上实现了该流量识别算法.实验结果表明该流量识别算法处理效率和准确度都是令人满意的,能应用于高速网络环境.在普通个人计算机上,对采样报文的处理效率在800Mbps以上.将该方法应用于报文处理,当采样率为0.5时漏检率为0.6%,当采样率为0.1时漏检率为5.9%,当采样率为0.05时漏检率为10.5%.将该方法应用于流数据分析,当采样率为0.5时漏检率为0.06%,当采样率为0.1时漏检率为0.33%,当采样率为0.05时漏检率为1.1%.该方法展现了优秀的误检性能,没有任何报文被误检.实验结果也表明误检率和漏检率模型是非常准确的.     

智能设备网络虚假信息行为识别与控制技术研究

传统智能设备网络虚假信息行为识别技术识别范围小,准确性低,在识别后不能快速地采取控制手段进行控制,导致事态进一步恶化。针对上述问题,研究了一种新的智能设备网络虚假信息行为识别与控制技术,设定虚假信息模型,由神经网络和BP网络构成,通过互联网控制,通过检测触发词、信息分类、虚假信息识别完成精确识别工作,控制模型由演示平台、网络中心组成,能够针对不同类型的虚假信息给出不同的控制手段。与传统技术进行实验研究,结果表明,给出的智能设备网络虚假信息行为识别技术能够完成更大范围的识别,提高识别准确率,在识别后对应的控制技术会快速采取有效手段控制虚假信息的散布。