基于改进卷积神经网络的动力下肢假肢运动意图识别

传统动力下肢假肢运动意图识别算法常使用机器学习算法分类器,在特征选择方面则需要手工提取.针对该问题将深度学习算法应用于运动意图识别研究中,通过在传统的卷积神经网络的基础上进行改进,使算法更适应于基于短时行为样本数据的运动意图识别,同时抑制深度学习算法应用于运动意图识别中的过拟合.在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类.实验结果表明,该方法在13类运动模式下的识别率达到93%.     

基于SU和AMB的网络流量特征选择算法

在基于网络流量分析, 被动式的网络设备识别研究中, 网络流量数据中往往存在许多高维数据, 其中的部分特征对设备识别贡献不大, 甚至会严重影响分类结果和分类性能. 所以针对这个问题本文提出了一种将Filter和Wrapper方式相结合, 基于对称不确定性(SU)和近似马尔可夫毯(AMB)的网络流量特征选择算法FSSA, 本文提出的方法首先利用对称不确定性算法选择出对于各个类别具有分类贡献的特征, 去除不相关的特征属性; 然后在候选特征子集中利用近似马尔可夫毯算法删除冗余特征, 最后采用Wrapper方式基于C4.5分类算法, 进行最后的特征优选. 实验表明, 该方法下选择出的特征对网络设备操作系统类型识别的精确率相较于经典的特征选择方法有了一定的提高, 在小类别数据上的召回率也得到了提升.     

基于NLWT系数增强的随机失活CNN电机运行状态检测

为了快速有效地从热像仪采集的温度数据中识别出电机的运行故障,本文根据随机失活、非线性小波变换系数增强(NLWTCE)和卷积神经网络算法相结合对电机图像进行识别.首先根据热像仪采集的数据建立电机的图像数据集,通过非线性小波变换(NLWT)将数据进行图像增强,然后构建改进的卷积神经网络(ICNN)模型,将提取的特征作为最终的识别特征来进行图像识别,最后根据与正常电机图像作比较,识别出故障的电机图像,实现了有效、准确的识别故障电机图像与正常电机图像.实验结果表明,改进的卷积神经网络模型不仅具有较高的识别准确率,也进一步简化了提取图像特征的复杂过程.该方法的有效性和合理性得到了验证,并适用于工程运用中.     

基于成对约束和稀疏保留的数据降维算法

结合以成对约束形式给出的监督信息和无监督信息,提出一种基于成对约束和稀疏保留的数据降维算法。通过成对约束信息进行鉴别分析,利用稀疏表示方法保留数据集在变换空间中的全局稀疏结构。实验结果表明,与传统特征抽取算法相比,该算法的识别效果更好,需要调节的参数更少,且鲁棒性较高。     

基于独立成分分析的fMRI数据分类

针对功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)数据分类方法中多余的预测变量和实验噪声等导致无法准确提取数据的有效特征,影响分类准确率的问题,提出将独立成分分析(Independent Component Analysis,ICA)算法与Adaboost数据分类方法相结合用于分析fMRI数据。利用ICA算法通过线性变换将体素信息分解为统计独立的源信号的线性组合;不断更新分离矩阵提取脑组织边缘变化的特征信息;利用ICA算法得到的特征信息训练Adaboost分类器。实验结果显示该方法得到的平均分类准确率达到84.72%,表明其有助于对大脑中形成的视觉图像信息进行分类,为解码fMRI数据提供了一种方法。     

一种基于SURF特征的零件识别算法

针对传统零件识别系统时间效率低等问题,提出基于SURF(Speeded-Up Robust Features)特征的零件识别算法。该算法首先对零件图像进行相关预处理,然后通过SURF算法得到零件图像的特征点和相应的特征向量,最后根据零件识别任务的特点,运用近似最近邻算法ANN(Approximate Nearest Neighbor)进行特征向量的匹配搜索,得到与模板图像最相似的图像序列。通过SURF算法和ANN算法的联合使用,解决了零件在旋转、尺度、模糊和光照变化后的识别难题,实现了算法的实时性和工业化要求。实验表明,相比于传统零件识别算法,该算法在算法效率及稳定性等方面都有显著性提高。     

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。     

基于分块2DPCA的人脸识别方法

为进一步提高分块二维主成分分析(2DPCA)算法在人脸识别的识别率,提出一种人脸识别算法.将训练样本人脸矩阵按光照等相似条件进行分块并进行类内平均归一化;采用2DPCA算法构造特征空间,将分块矩阵在特征空间中进行投影得到训练样本识别特征,利用支持向量机(SVM)在分类上的优势,对训练样本识别特征和经过归一化分块2DPCA的测试样本识别特征进行分类,对人脸图像进行识别.选取ORL人脸数据库的图片进行实验,将该算法与传统2DPCA、2DPCA+SVM等算法进行比较,验证了该算法的性能优于其它算法.     

基于深度学习的网络流量异常识别与检测

针对传统的工控网络流量数据在复杂网络环境下特征维度高,特征处理复杂度高,模型检测效率低等问题,本文使用了一种基于随机森林(random forest, RF)和长短期记忆网络(long short-term memory, LSTM)结合的流量异常识别与检测方法.首先使用随机森林算法计算流量特征的重要度评分,筛选出重要特征,剔除冗余特征,然后使用LSTM进行异常流量的识别与检测.为了评估模型的有效性与优越性,本文使用准确率、精确率、召回率和F1-score进行模型评价,并与传统的机器学习方法 Naive Bayes、QDA、KNN算法进行对比.实验结果表明,在公开数据集CIC-IDS-2017中,异常流量识别的总体准确率达99%.与传统的机器学习算法相比,该方法有效地提高了复杂网络环境下异常检测的准确性和效率,在工业控制网络安全和异常检测方面具有实际应用价值.     

一种基于低维足底压力特征的静态步态聚类算法

为了探究足底压力特征在身份识别中的应用,提出了一种静态步态聚类算法.该算法首先从压力测试板提取的静态数据中提取当前常用的足底压力特征,包含全局及局部特征,形成特征向量来表征样本对象;接着利用非负矩阵分解方法(non-negative matrix factorization,NMF)获取样本在变换特征空间中的映射及低维表示;最后结合模糊C-均值算法(fuzzy C-means algorithm,FCM)对降维后的样本对象进行聚类识别.实验结果显示该算法的聚类正确率达到90％左右;同时与其他算法对比,该算法在精度上具有较大的优势.经过实验验证与对比分析,该算法将样本数据压缩到极低维特征空间时,仍有效保留了样本类别信息,进而得出结论,该算法提取出的足底压力特征是有效的、可行的.     

基于改进斑点鬣狗优化算法的同步优化特征选择

针对传统支持向量机（SVM）在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化（DE）算法、混沌初始化与锦标赛选择策略对斑点鬣狗优化（SHO）算法改进,以增强其局部搜索能力并提高其寻优效率与求解精度;其次,将改进后的算法用于特征选择与SVM参数调整的同步优化中;最后,在UCI数据集进行特征选择仿真实验,采取分类准确率、选择特征数、适应度值及运行时间来综合评估所提算法的优化性能。实验结果证明,改进算法的同步优化机制能够在高分类准确率下降低特征选择的数目,该算法比传统算法更适合解决封装式特征选择问题,具有良好的应用价值。     

A novel ACO–GA hybrid algorithm for feature selection in protein function prediction

Protein function prediction is an important problem in functional genomics. Typically, protein sequences are represented by feature vectors. A major problem of protein datasets that increase the complexity of classification models is their large number of features. Feature selection (FS) techniques are used to deal with this high dimensional space of features. In this paper, we propose a novel feature selection algorithm that combines genetic algorithms (GA) and ant colony optimization (ACO) for faster and better search capability. The hybrid algorithm makes use of advantages of both ACO and GA methods. Proposed algorithm is easily implemented and because of use of a simple classifier in that, its computational complexity is very low. The performance of proposed algorithm is compared to the performance of two prominent population-based algorithms, ACO and genetic algorithms. Experimentation is carried out using two challenging biological datasets, involving the hierarchical functional classification of GPCRs and enzymes. The criteria used for comparison are maximizing predictive accuracy, and finding the smallest subset of features. The results of experiments indicate the superiority of proposed algorithm.     

面向函数型数据的快速特征选择方法*

函数型数据的特征选择是从庞大的函数信息中选出那些相关性小、代表性强的少部分特征,以简化后期分类器的计算,提高泛化能力.由于特征选择方法用于函数数据分类效果并不理想,文中提出面向函数型数据的结合主成分分析法和最小凸包法的快速特征选择(FFS)方法,可以快速获得稳定的特征子集.此外,考虑到特征之间可能存在相关性,将FFS的结果作为其它方法的初始特征子集,故融合FFS与条件互信息方法.在UCR数据集上的实验证明FFS的有效性,并通过对比实验给出在不同时间代价和分类精度需求下的方法选择策略.     

An improved runner-root algorithm for solving feature selection problems based on rough sets and neighborhood rough sets

Solving the feature selection problem is considered an important issue when addressing data from real applications that contain a large number of features. However, not all of these features are important; therefore, the redundant features must be removed because they affect the accuracy of the data representation and introduce time complexity into the analysis of these data. For these reasons, the feature selection problem is considered an NP-complete nonlinearly constrained optimization problem. The rough set (RS) and neighborhood rough set (NRS) are the most powerful methods used to solve the feature selection problem; however, both approaches suffer from high time complexity. To avoid these limitations, we combined the RS and NRS with a new metaheuristic algorithm called the runner-root algorithm (RRA). The spirit of the RRA originated from real-life plants called running plants, which have roots and runners that spread the plants in search of minerals and water resources through their root and runner development. To validate the proposed algorithm, several UCI Machine Learning Repository datasets are used to compute the performance of our algorithm employing two effective classifiers, the random forest and the K-nearest neighbor, in addition to some other measures for the performance evaluation. The experimental results illustrate that the proposed algorithm is superior to the state-of-the-art metaheuristic algorithms in terms of the performance measures. Additionally, the NRS increases the performance of the proposed method more than the RS as an objective function.     

改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法

针对支持向量机(SVM)中特征选择和参数优化对分类精度有较大影响,提出了一种改进的基于粒子群优化(PSO)的SVM特征选择和参数联合优化算法(GPSO-SVM),使算法在提高分类精度的同时选取尽可能少的特征数目。为了解决传统粒子群算法在进行优化时易出现陷入局部最优和早熟的问题,该算法在PSO中引入遗传算法(GA)中的交叉变异算子,使粒子在每次迭代更新后进行交叉变异操作来避免这一问题。该算法通过粒子之间的不相关性指数来决定粒子之间的交叉配对,由粒子适应度值的大小决定其变异概率的大小,由此产生新的粒子进入到群体中。这样使得粒子跳出当前搜索到的局部最优位置,提高了群体的多样性,在全局范围内寻找更优值。在不同数据集上进行实验,与基于PSO和GA的特征选择和SVM参数联合优化算法相比,GPSO-SVM的分类精度平均提高了2%~3%,选择的特征数目减少了3%~15%。实验结果表明,所提算法的特征选择和参数优化效果更好。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

改进的支持向量机特征选择算法

针对采用支持向量机进行分类的特征子集选择问题,提出一种改进的基于梯度向量的特征评测算法。该算法在核特征空间中,利用数据点到分类超平面的距离函数的梯度向量对各个特征的重要性进行排序,省去了已有算法中计算梯度向量与各个坐标轴夹角的过程,实验结果表明,该算法简化了已有的基于角度的特征选择方法,并且结果保持一致。     

基于邻域粗糙集和帝王蝶优化的特征选择算法

针对经典的帝王蝶优化（MBO）算法不能很好地处理连续型数据,以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题,提出了基于邻域粗糙集（NRS）和MBO的特征选择算法。首先,将局部扰动和群体划分策略与MBO算法结合,并构建传输机制以形成一种二进制MBO（BMBO）算法;其次,引入突变算子增强算法的探索能力,设计了基于突变算子的BMBO（BMBOM）算法;然后,基于NRS的邻域度构造适应度函数,并对初始化的特征子集的适应度值进行评估并排序;最后,使用BMBOM算法通过不断迭代搜索出最优特征子集,并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能,并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明,在5个基准函数上,BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化（PSO）算法;在UCI数据集上,与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比,所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好,能够选择特征数少且分类精度高的最优特征子集。     

Biogeography based hybrid scheme for automatic detection of epileptic seizures from EEG signatures

Biogeography Based Optimization (BBO) algorithm is one of the nature-inspired optimization methods, based on the study of geographical distribution of species on earth. The present research work is based upon decomposition of human electroencephalograms (EEG) signal by Wavelet Packet Transform, computation of a complete feature set using statistical and non-statistical properties followed by optimal selection of features by BBO; the optimality criterion being classification rate. The stopping criterion for BBO is set to 100% correct classification rate. The proposed algorithm is novel in terms of TWSVM computing the Habitat Suitability Index (HSI) values for BBO, perfect classification rate, low computation time, and feature selection mechanism. The proposed scheme outperforms several previous results reported in literature in that it gives a feature subset which gives 100% classification accuracy for different classification instances.     

应用于入侵取证的改进信息增益算法

基于信息增益算法的特征选择虽然能够较好地解决入侵取证中存在的数据高维海量问题,但由于没有考虑特征之间的关系,导致特征子集中存在着冗余特征,从而影响了入侵取证的速度和精度,由此提出一种改进的基于特征冗余度的信息增益算法。通过添加对特征之间冗余度的判断,在删除无关特征的同时过滤了冗余特征,使特征子集得到有效精简。经实验验证,该算法能有效地选择特征向量,保证检测精度,提高检测速度。