超声回波特征值的统计学分析方法

介绍了一种基于统计学假设检验理论进行模式识别中的特征评价与选择的方法，该方法理论意义比较清楚，计算简单，能够选出合适的特征，其实现是采用统计学中t检验方法来进行的，即用检验各组样本特征之间差异是否显著，来评价所提取的特征值的优劣；采用启发武方法和判别分析来进一步考察所提取的特征值的分类效果．实现了超声回波特征空间的降维处理与最佳特征子集选择。     

基于改进果蝇优化算法的铣削力信号特征选择方法

特征选择是刀具模式识别的关键问题之一。采用果蝇优化算法(FOA)将铣削力特征选择转换成果蝇寻优过程,得到了一种可用于铣刀磨损状态识别的适应度强的特征选择方法。该方法用力传感器提取铣削力信号,把特征选择过程模拟成果蝇觅食行为,采用Fisher辨别率作为特征寻优标准,将优选后的特征集输入BP神经网络,刀具磨损量为输出。实验证明,该方法易调节,寻优效果好,适应度强,BP神经网络表现好,可以快速有效地对铣削加工过程中的力信号特征进行选择。     

基于矩特征的水下目标识别研究

对大量水下获得图像的判读,采用人工识别,工作量大时效性差,不利于信息的及时获得.根据图像中目标的矩特征,引入小波变换,利用小波矩不变量来表示目标特征,提出结合离散度和浮动搜索算法的特征选择方法,选择最优特征组.经过仿真实验,证明了用小波矩不变量来识别不同形状的目标,识别效果很好.     

基于时频切片分析的故障诊断方法及应用

为了提取设备的故障特征,提出了基于时频切片分析的故障特征提取方法。首先采用基于频率切片小波变换分解振动信号,得到信号在全频带的时频分布。在此基础上根据其时频能量分布,选择时间频率切片区间进行细化分析,通过时频分割和信号重构得到选定区间的时频特征,实现了故障特征的分离。这种方法能够有效地获取正确的故障特征信息,在某炼油厂齿轮箱摩擦故障诊断中取得了较好的效果。     

基于Gabor-统计特征与SVM的文档图像文本检测方法

目的对文档图像中的文本进行精确检测,深入研究统计特征对于文字纹理特征分类的影响。方法首先结合Gabor-统计特征获得文档图像的特征图像,再应用SCA算法提取文本样本和非文本样本,最后采用SVM实现文本检测,而统计特征的选择使用Fisher准则实现。结果依据Fisher准则,逆差距特征对于Gabor特征分类的类间离散度最大,效果最佳。结论针对不同类型的文档图像,使用Gabor-逆差距特征能够获得较好的检测效果。     

一种根据时序数据预测机械故障的方法

本文提出基于核空间边距测度的特征选择方法,并进一步给出了基于流形学习的故障诊断方法流程。为使设备故障的模式识别结果更加准确有效,在对振动信号执行降噪处理之后需要从中提取大量故障特征,但是随之会出现混合域高维特征之间的冲突和冗余问题。本文利用基于核空间边距测度的特征选择方法获取加权敏感特征,同时综合基于邻域成分选择的谱分类方法、基于自适应局部切空间排列和加权重构的非线性降噪算法,得到了集非线性降噪、特征构造和特征约简为一体的故障诊断方法。     

不均衡训练集特征选择的印刷套准状态识别

目的 针对不均训练集导致印刷套准识别模型无法较好识别印刷套不准图像的问题,提出基于最大相关、最小冗余的印刷标志图像数据特征选择方法.方法 提取印刷标志图像的多维特征数据,计算特征与印刷套准和印刷套不准2类之间的相关性和特征之间的冗余度.确定特征选择的目标函数,通过增量搜索方法寻找最优特征,加入特征子集,实现不均衡印刷标志图像的特征选择.结果 文中的特征选择方法获得了3项不均衡数据分类性能评价指标,A为0.9900,R为0.9400,Gmean为0.9466.结论 在不均衡印刷标志图像套准识别中,文中提出的方法性能优于实验中的未处理方法、PCA方法、Relief方法和NCA方法.     

基于注意力机制的LSTM语音情感主要特征选择

传统的语音情感识别方式采用的语音特征具有数据量大且无关特征多的特点,因此选择出与情感相关的语音特征具有重要意义。通过提出将注意力机制结合长短时记忆网络(Long Short Term Memory, LSTM),根据注意力权重进行特征选择,在两个数据集上进行了实验。结果发现:(1)基于注意力机制的LSTM相比于单独的LSTM模型,识别率提高了5.4%,可见此算法有效提高了模型的识别效果;(2)注意力机制是一种有效的特征选择方法。采用注意力机制选择出了具有实际物理意义的声学特征子集,此特征集相比于原有公用特征集在降低了维数的情况下,提高了识别准确率;(3)根据选择结果对声学特征进行分析,发现有声片段长度特征、无声片段长度特征、梅尔倒谱系数(Mel-Frequency Cepstral Coefficient, MFCC)、F0基频等特征与情感识别具有较大相关性。     

基于机器学习的区域快递包装需求预测优化研究

目的 快递包装需求预测精准程度是智慧物流体系化建设的重要基础,本文主要通过对不同机器学习方法、不同特征选择方法、不同参数寻优方法的比较,选取快递包装需求预测更加精准的方法,分析主要特征对快递包装需求的影响,优化区域快递包装需求的研究。方法 首先通过不同的机器学习方法进行比较;然后通过不同的特征选择方法进行比较,通过不同参数寻优方法比较确定遗传算法对优化随机森林模型参数的效果;最后为了更好地解释模型,引入SHAP分析的方法,对不同特征的重要性进行分析。结果 改进的随机森林预测模型效果最好,MAE值、MAPE值、RMSE值、R2分别为2783、5.1%、4 343、0.99。女性人口和第三产业值是影响快递包装需求最为关键的因素。结论 所提出的预测方法有更好的准确性及可解释性,能为快递包装需求预测提供有力的决策支持。     

基于单幅户外彩色图像实现天气晴阴分类

提出了一种新颖的利用随机森林对单幅户外彩色图像进行晴阴分类的方法。首先定义了天空频率直方图特征和阴影能量特征,给出了其计算方法,并将透射率特征引入天气分类中,将这3种特征与已有特征共同组合构成候选天气特征集;其次定义了Fisher-Random Forest特征重要性计算方法对天气特征进行选择;最后将选择后的天气特征以向量形式输入到随机森林分类器实现对户外图像的晴阴分类。实验结果表明:与其他方法相比,该方法具有较高的准确性及较好的通用性。     

一种有效降维的特征选择方法及其在水声目标识别中的应用

为在保证目标识别准确率基础上进行有效特征降维,文章以目标识别准确率为特征选择准则,提出一种支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination,SVM-RFE）快速筛选出部分优质特征子集与猫群算法（Cat Swarm Algorithm,CSO）迭代寻优结合的特征选择方法,并将该方法应用于水声目标识别的特征选择。实验数据处理结果表明：相比SVM-RFE和CSO特征选择算法,文中提出的方法在平均特征维数降低8%的基础上,平均目标识别率提高了1.88%,能够实现有效降维的目的。该方法对判断特征是否适合用于特定的目标识别也有一定应用价值。     

一种新的虹膜识别算法研究

目的 为了提高虹膜识别的速度和可靠性。方法 根据虹膜识别的特征,提出了虹膜自动身份识别的一种新的算法和虹膜像几何畸变的校正方法。结果 用相关系数来测度图像的匹配结果,证实了该算法是有效的。结论 用本文的算法进行的大量抽样实验显示了主这种算法的正确性和可靠性。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于EMD-EDT的行星齿轮箱特征提取及状态识别方法研究

针对行星齿轮箱特征提取及状态识别中存在的难点问题,本文首先总结适用于行星齿轮箱状态识别的36个特征参数并详细说明各参数的来源及提取方法,提出基于EDT的两阶段特征参数选择及加权方法,得到新的组合特征参数。提出基于EMD-EDT的行星齿轮箱状态识别方法;首先提出基于能量比的包含敏感故障信息的固有模态函数（IMF）选择方法,然后选择提取筛选出的各IMF的组合特征参数构成特征矩阵作为EDT的计算输入,最后智能的输出评估结果。利用行星齿轮箱预置故障实验数据验证所提出方法的可行性和有效性及EMD分解、特征选择和加权过程的必要性。     

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.     

基于特征选择和GWO-KELM的鸟声识别算法

针对鸟声识别算法中提取特征单一、分类准确率低等问题,提出一种基于混合特征选择和灰狼算法优化核极限学习机的鸟声识别方法。首先从鸟声数据中提取大规模声学特征集ComParE,其次计算每个特征的F_score并进行排序,然后以广义顺序向前浮动搜索(Generalized Sequential Forward Floating Search, GSFFS)为搜索策略,特征子集在核极限学习机(Kernel Limit Learning Machine, KELM)上十折交叉验证的正确率,作为特征选择标准进行特征选择,得到适用于鸟声识别的特征子集,最后通过灰狼算法(Grey Wolf Optimizer, GWO)选择最优KELM参数识别鸟声。在柏林自然科学博物馆鸟声数据库中进行实验,该方法在60类鸟声识别平均正确率和F1-score达到94.45%和92.29%。结果表明,该方法相较于传统自行设计提取的单一特征集具有更高的识别精度,GWO-KELM模型比网格搜索方式更易找到全局最优值。     

一种视听融合的水下目标识别方法研究

特征提取是水下目标识别研究中最为关键的技术之一,特征参数的优劣将直接决定分类识别系统的性能。将声信号的听觉与视觉感知特征结合,应用于水下目标识别,通过实验得出如下结论,相比于单独应用听觉特征,融合特征的平均识别率能提高4%~6%以上,特别是将听觉特征与声谱图的Gabor小波变换特征、灰度-梯度共生特征进行融合后,分类性能较好,平均达到87%以上。     

遗传特征选择方法在水下目标识别中的应用

为了改善分类器的性能,提高水下目标识别的正确率,文中研究了遗传特征选择方法在水下目标识别中的应用,设计了一个新的合适度函数作为评价特征子集的准则。对wine数据集和海上实测的舰船辐射噪声数据集的仿真实验之结果表明,该方法可以选择出描述目标的有效特征子集,降低了特征集的维数,从而改善了分类器的性能。     

KL—Bayes方法在故障模式识别中的应用

有效特征向量的提取和状态识别是设备状态监测与故障诊断领域中的关键技术。近年来,国内外很多学者都非常重视自动特征向量选择与提取方法的研究和模式识别方法的探讨。文中提出的KL-Bayes 方法是KL变换特征提取方法与Bayes 逐步判别分析方法的结合,前者可在不改变原始样本空间分布特点的基础上降低特征空间的维数[4],后者是一种集“有效特征选择与状态识别”功能于一身的方法[1]。KL-Bayes方法用于不太复杂的系统故障诊断,如轴承、齿轮箱故障诊断中是非常简单有效的。文中给出了应用实例及分类器自学习前后的分类结果。