基于分类的加速EM缺失数据填充算法

在数据挖掘的整个过程中,EM算法因其数值计算的稳定性、实现上的简单性,可靠的全局收敛性,被广泛应用于处理数据不完整问题。针对EM算法收敛速度慢,算法高度依赖初始值的选择,使用KNN算法的分类结果作为EM算法的初始使用范围,KNN算法根据挖掘目的的不同选择不同的特性,然后利用增量式EM(IEM)算法按E步M步迭代反复求精,快速有效地得出填充缺失数据的最优值;该算法大大加快了收敛速度,加强了聚类的稳定性,数据填充效果显著。     

EM在鸡腿菇栽培上的初探

通过使用EM栽培鸡腿菇,分析了EM不同品种和不同浓度对鸡腿菇栽培的影响。经对比试验结果表明,用300-400倍EM108喷雾能使鸡腿菇出菇较集中整齐,菇体较白,减少杂菌感染,提高产品商品性状,改善品质,提高鸡腿菇产量。     

基于Susan算子和光流法的三维点云模型重建

针对目前在基于三维建模的三维模型检索技术中存在的对目标物体特征点的选取自动化程度不高的问题,提出了基于Susan算子和光流法配合EM算法的三维重建算法,实验证明该算法有效.     

一种基于数值计算的改进BP神经网络加速算法

为增加神经网络收敛的稳定性与收敛速度,提出了一种改进的网络优化加速算法.在权值调整期间加入前N期权值结果,增强了训练的稳定性;使用Steffensen迭代算法进行加速,使网络训练较快地收敛;有效地解决了传统BP神经网络的缺点.进行数值实验,将10幅二值化后的车牌数字字符图片作为训练样本送入改进的网络与传统的BP神经网络中分别进行训练,可以看出传统BP算法在训练过程中出现了振荡且收敛速度较慢.而改进的算法误差稳步下降,没有出现传统算法中振荡的现象,且较传统算法早达到收敛稳定.     

基于激光诱导击穿光谱技术结合机器学习算法的3种干腌火腿产地识别

火腿种类多,产地不同。本文采用激光诱导击穿光谱技术(LIBS)结合机器学习算法鉴别火腿原产地。采集16个火腿切片样品(4个如皋火腿样品、5个金华火腿样品、7个宣威火腿样品)的LIBS光谱数据,应用K近邻(KNN)、支持向量机(SVM)以及全连接神经网络(DNN)对火腿样品产地进行分类。采用主成分分析(PCA)对火腿样品的光谱数据降维处理,然后,分别结合KNN和SVM算法对样品进行分类,并研究对建模速度和预测准确率的影响。结果表明:KNN和SVM在结合PCA后,建模分析时间大幅减少;KNN、PCA+KNN、SVM、PCA+SVM 4种分类方法的平均正确率分别为70.53%,73.50%,79.53%,80.42%,使用PCA结合KNN和SVM时分类准确率有小幅度的提高;使用DNN对火腿样品进行分类,正确率最高达85.56%,相比于KNN和SVM,DNN对火腿LIBS光谱数据具有更高的分类正确率。结论:用LIBS结合机器学习算法区分不同产地的火腿样品是可行的.     

基于类内K-means聚簇的KNN改进算法

传统的KNN算法的时间复杂度与训练样本集的数量成正比,大规模数据下其分类效率显著下降,因此它不适用于大规模数据的在线实时处理。为此,本文提出了一种基于类内K-means聚簇的KNN改进算法。该算法先对训练样本集内各个类别的样本分别进行K-means聚簇,得到各个样本所属的簇标签,与各个簇标签所对应的簇中心向量。在进行KNN分类时对于每个测试样本先计算它与各个簇中心向量的相似度,选出排名前的一定个数的簇标签,随后以这些簇所含的样本集作为该测试样本的训练样本集进行传统的KNN分类。改进算法通过这种选择训练样本集而缩小了比对范围,减少了大量计算量。实验表明,改进的KNN分类算法在分类的准确率没有明显变动下,运行效率得到了明显的提升。     

集成面向对象影像分析与KNN算法的多光谱遥感影像分类探讨

文章分别使用基于像元和基于对象的KNN分类器算法对1024*1024像元大小的宁夏中卫市地区15m空间分辨率Landsat8融合影像进行分类,比较二者分类效率和准确率,探讨其在影像分类上的不同。研究表明无论是基于对象还是基于像元的KNN分类器算总体分类精度都在90%以上。但基于对象的KNN分类器算法相比基于像元的总体分类精度提高1.9%,Kappa系数提高0.026。且使用相同的训练样本进行训练和分类,基于对象的KNN分类器算法仅耗时0.281秒,而基于像元的KNN分类器算法耗时53分7.275秒。     

基于粒子群算法的布谷鸟搜索算法

为进一步提高布谷鸟搜索算法(Cuckoo Search)的收敛速度和计算精度,将PSO算法用于CS算法的位置更新过程,提出了基于PSO算法的布谷鸟搜索算法(CSPSO).最后,通过6个典型测试函数进行仿真实验.结果表明,CSPSO算法比CS算法和自适应步长布谷鸟搜索算法(ASCS)具有更快的收敛速度,更高的收敛精度和稳定性.     

基于语义的KNN短文本分类算法研究

针对短文本分类关键词特征稀疏和样本数量多,难以处理的技术难点,提出一种基于语义的KNN短文本分类算法.该算法采用基于字的分词策略提取出短文本的特征词,结合中国知网对关键词进行概念映射以提高短文本的语义表达,并针对短文本特点,通过使用LSA降维处理,对KNN分类算法加以改进.实验结果表明,该算法能够有效提高短文本的分类性能.     

部分截断Euler-Maruyama数值方法的保正性

截断Euler-Maruyama(EM)方法是求解高度非线性随机微分方程的一种有效的方法。但是,在诸如生物种群和股票价格的模型中,随机微分方程的解为正时才有实际意义。因此,结合截断EM方法研究随机微分方程数值解的保正性具有实践性意义。通过对随机微分方程进行对数变换,在保证截断EM方法收敛的情况下,证明了随机微分方程的数值解和解析解的指数可积性,进而得到数值解能保持解析解正性的结果。     

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题，提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征，基于6种混沌映射对粒子群算法分别进行初始化，进而增加种群多样性和解的覆盖。引入动态惯性权重系数，提高算法收敛速度。通过6个测试函数进行仿真实验，对比不同混沌映射数据结果，实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。     

卷烟香气风格特征聚类分析

选取国内代表性卷烟品牌多个批次的卷烟样品进行评吸;利用EM聚类分析算法,以数字化方式客观的解析不同香气风格特征类别之间的差异,结果表明同一品牌的卷烟样品可以有效地聚为一类,不同类别的品牌香气风格特征总体上差异较大。划分的结果同实际情况符合较好,结果满意。     

基于轮廓特征的植物叶片识别系统

文章提出了一个基于图像识别的植物叶片识别系统,采用Opencv计算机视觉库在Android平台上进行嵌入式开发,通过调用移动设备摄像头对即时拍摄的150幅植物叶片照片进行物种识别。比较了包括canny边缘检测和EM分割算法等方法,再通过自适应核的形态学操作进行后期处理,提取到较准确的叶片边缘轮廓信息。计算轮廓曲率并且统计成曲率直方图特征,最后通过SVM分类器,对特征进行分类,来达到对不同的植物叶片进行识别和分类。识别率较高,运算速度有待提升。     

改进的LM-BP算法预测活性染料染色K/S值

针对标准BP算法收敛速度慢,易出现局部极小值等缺陷,采用Levenberg-Marquardt(LM-BP)算法,提出了一种经改进的BP神经网络预测模型。运用该预测模型,建立了活性染料染色各工艺参数与织物表面K/S值之间的对应关系,同时将其与传统BP算法预测模型在网络收敛时间、预测准确度等方面进行比较。结果表明:传统BP算法经1 500步训练后达到的收敛精度,在LM-BP算法预测模型中只需大约7步训练;染色K/S值预测值和试验值之间的相关系数R也相应由0.995提高到0.999。对比认为,LM-BP算法预测模型在对活性染料染色K/S值的预测中更为优越,时间短,准确率高。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于Smote-KNN的小麦8种真菌毒素共污染特征气候分类模型研究

目的 分析我国不同气候区域小麦真菌毒素共污染特征，建立气候分类模型。方法 对来自12个省、自治区的887份小麦样本中脱氧雪腐镰刀菌烯醇、雪腐镰刀菌烯醇、黄曲霉毒素、赭曲霉毒素、伏马菌素、玉米赤霉烯酮、T-2和HT-2共8种真菌毒素检测数据按样本采集地的气候类型分为温带大陆性气候、温带季风气候和亚热带季风气候3类。对数据进行预处理并使用Borderline-SMOTE方法扩充以平衡数据集。使用主成分分析方法（PCA）对8种真菌毒素检测数据进行特征降维，选择降维后累计贡献率达97%的前二维特征作为小麦毒素数据特征。利用机器学习中的K最近邻（KNN）非线性分类器对上述数据特征进行分类研究，同时使用网格搜索算法对KNN模型参数进行调优。采用混淆矩阵、准确率、召回率和F1得分4个指标对模型进行评价，并比较所构建模型与支持向量机、随机森林和人工神经网络等常见分类模型在上述数据中的表现效果。结果本文提出的Borderline-SMOTE、PCA与KNN相结合的分类模型对小麦8种真菌毒素共污染特征的气候分类准确率可达98.31%，且方法性能优于其他分类方法。结论 本文建立的分类模型能有效判别我国3种气...     

EM生态益生菌对木薯渣发酵品质的影响

为研究EM生态益生菌对新鲜木薯渣发酵品质的影响,试验设4个处理组,分别为试验Ⅰ、试验Ⅱ、试验Ⅲ和试验Ⅳ组,其中,试验Ⅰ组由70%新鲜木薯渣、10%米糠、18%麦麸、2%硫酸铵组成,不接种菌种直接装发酵罐密封,另外3个处理组在试验Ⅰ组基础上添加不同比例的EM生态益生菌,接种量分别为1 000、2 000、3 000ml/t,发酵30d后采样分析。结果表明:EM生态益生菌添加组木薯渣的粗蛋白质、中性洗涤纤维、酸性洗涤纤维和钙含量显著高于试验Ⅰ组(P0.05),其中,以试验Ⅲ组(EM菌2 000ml/t)发酵木薯渣的粗蛋白质含量最高,中性纤维含量最低;EM生态益生菌添加组木薯渣的pH值均显著低于试验Ⅰ组(P0.05),而乳酸、乙酸含量则显著高于试验Ⅰ组(P0.05)。综合认为,发酵木薯渣时添加EM生态益生菌可以改善发酵饲料的品质,其中以EM生态益生菌添加量为2 000ml/t时粗蛋白质最高,建议生产中使用。     

和声算法在色纺纱智能配色中的应用

针对现有色纺纱智能配色收敛速度慢、配色运算次数多的缺点,提出一种基于和声算法的智能配色方案。该方法利用Stearns-Noechel修正模型,将和声算法应用于对色纺纱的全光谱匹配运算。并给出了实验混色配方数据及运算速度对比数据。实验数据表明,和声算法可以使色纺纱智能配色的收敛速度变快、减少运算次数,从而提高了配色方案的搜索效率,有利于实际计算机打样。     

一种自适应交替的粒子群差分进化优化算法

为了克服粒子群算法易陷入早熟收敛的缺点及提高差分进化算法的搜索能力,提出了一种自适应交替的粒子群差分进化算法.该算法采用自适应的概率交替使用PSO和DE,通过对6个基准函数的测试,说明本文提出的算法是一种收敛速度快、求解精度高的全局优化算法.     

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.