SPIHT算法研究及改进

由于SPIHT算法中存在的重复扫描和编码冗余,使得算法复杂度较高,工作效率较低.为了使算法更易于软、硬件的实现,通过调整小波系数矩阵的排序过程,使小波系数按从大到小排列,从而减少排序扫描的次数.实验表明,本算法在保持较高的信噪比的同时,仍具有较快的计算速度,明显的降低了处理复杂度,并节省了存储空间.     

弧齿锥齿轮传动箱壳体的切削工艺

我们生产各种便携式割灌机、割草机，传动箱体作为传动系统的载体部件，因其尺寸、形位公差精度要求高，工位间的定位基准要求统一，所以，传动箱体的切削加工一直是一个比较薄弱的环节。以前，割灌机的社会需求量比较小，品种单一，我们采用两台带有U轴的进口加工中心加工传动箱体，尚能勉强满足生产的需要，但存在生产率低下，生产成本高的缺陷。     

新一代综合智能业务平台构想与展望

一、电信运营商的挑战和机遇1.多种网络和技术并存的局面无论是固网运营商还是移动运营商,在下一代网络的演进过程中,必然存在多种网络共存的情况(从PSTN到GSM、CDMA、NGN、3G、Internet)。总之,在多种网络并存的情况下,首先应以业务为龙头来牵引网络的建设和发展,在兼顾经济效     

基于改进的BP网络模型的分类器的设计与实现

用改进的ＢＰ网络模型作了分类器。改进的模型拓扑结构最简，学习速率快，分类准确率高。     

基于时序核函数的支持向量回归机

为克服维数灾难和过拟合等传统算法所不可规避的问题，利用支持向量机（Support Vector Machine，SVM）提出基于时序数据时间相关性的核函数修正选择方法，并以真实的二氧化硫（SO2）数据为实验数据验证该方法的有效性．实验结果表明采用时序核函数对测试数据集的拟合效果更好，并对模型泛化能力有一定的提高．     

基于动态拓扑图的人体骨架动作识别算法

传统的人体骨架动作识别算法采用手动构建拓扑图的方式来建模包含在多个视频帧中的动作序列,并针对性地学习每个视频帧以反映数据变化,这容易造成计算代价大、网络泛化性低和灾难性遗忘等问题。针对上述问题,提出了基于动态拓扑图的人体骨架动作识别算法,使用持续学习思想动态构建人体骨架拓扑图。将具有多关系特性的人体骨架序列数据重新编码为关系三元组,并基于长短期记忆网络,通过解耦合的方式学习特征嵌入。当处理新骨架关系三元组时,使用部分更新机制动态构建人体骨架拓扑图,并采用基于时空图卷积网络的骨架动作识别算法来实现动作识别。实验结果表明,所提方法在Kinetics-Skeleton,NTU-RGB+D(X-Sub)和NTU-RGB+D(X-View)基准数据集上分别取得了40%,85%和90%的识别准确率,提高了人体骨架动作识别的准确率。     

一种高斯区间核SVM分类模型

区间型数据（Interval data, ID）是属性特征取值为区间的一类数据,针对区间型数据的分类问题,本文提出一种高斯区间核支持向量机分类模型（Support vector machine based on Gauss interval kernel, GIK_SVM）。该方法引入半宽因子,在区间型数据的中值与半宽度之间进行折中,并据此构造高斯区间核用以衡量两个区间型数据间的相似性,然后用SVM模型进行分类。在人造数据集和真实数据集上的实验结果表明,本文提出的算法对区间数据有更好的分类性能。     

一种面向文本分类的特征迁移方法

传统的文本分类方法假设训练集与测试集中的特 征词服从相同的概率分布,但在实际应用中,以上假设存在偏差,会影响到最终的分类结果。针对这一情况,本文采用迁移学习,通过计算特征词的迁移量对训练集中向量空间模型进行修正,最终使训练集与测试集中特征词的分布概率趋于一致。将提出的方法应用于中文垃圾邮件过滤与中、英文网页分类中,在CHI统计特征选择基础上进行特征迁移,实验结果表明新方法可以有效消除特征词分布的差异性,使文本分类的各项指标明显提高。     

近邻感知的标签噪声过滤算法

基于k近邻的标签噪声过滤对近邻参数k的选取较敏感.针对此问题,文中提出近邻感知的标签噪声过滤算法,可有效解决二分类数据集的类内标签噪声的问题.算法分开考虑正类样本和负类样本,使分类问题中的标签噪声检测问题转化为两个单类别数据的离群点检测问题.首先通过近邻感知策略自动确定每个样本的个性化近邻参数,避免近邻参数敏感的问题.然后根据噪声因子将样本分为核心样本与非核心样本,并把非核心样本作为标签噪声候选集.最后结合候选样本的近邻标签信息,进行噪声的识别与过滤.实验表明,文中方法的噪声过滤效果和分类预测性能均较优.     

基于动态概率抽样的标签噪声过滤方法

在机器学习问题中,数据质量对系统预测的准确性产生了深远的影响。由于信息获取的难度大,人类的认知主观且有限,导致了专家无法准确标记所有样本。而近年来出现的一些概率抽样方法无法避免样本人为划分不合理且主观性较强的问题。针对这一问题,提出一种基于动态概率抽样（DPS）的标签噪声过滤方法,充分考虑各个数据集样本间的差异性,通过统计各个区间内置信度分布频率,分析各个区间内置信度分布信息熵的走势,确定合理阈值。在UCI经典数据集中选取了14个数据集,将所提方法与随机森林（RF）、HARF、MVF、局部概率抽样（LPS）等方法进行了对比实验。实验结果表明,所提出的方法在标签噪声识别和分类泛化上均展示出了较高的能力。