图像垃圾邮件中文本区域的自动提取方法

图像中的文本区域为判别图像垃圾邮件提供了重要依据。为了获得图像中的文本区域信息,提出了基于Hough变换提取图像中倾斜文本区域的算法和降低图像背景干扰的八邻域细小边缘去除算法,实现了一种不受图像中文本颜色、字体、大小、位置、方向限制的文本区域的自动提取方法。在包含100幅垃圾图像的数据集上进行提取图像文本区域的实验。实验结果显示,新方法具有良好的文本区域提取性能。     

基于规则的大规模试卷文本语块识别方法的研究*

提出了一种基于规则的试卷文本语块识别方法,有效解决了试题库中大规模试题数据的初始化问题。通过定义文本语块识别规则,构建自动机识别模型,在理论上描述了试卷文本的识别过程。实验表明,该模型具有良好的性能,在此基础上,实现了一个原型系统,通过具体的应用实例验证了该方法的可行性和有效性。     

一种改进的多项式核支持向量机文本分类器 *

多项式核函数由于具有良好的泛化性能而受到重视,并被研究用于文本分类问题。针对多项式核学习 能力较差的缺点,将学习能力较强的条件正定核与多项式核构成一个混合核函数作为改进的多项式核。实验表 明,改进的多项式核SVM文本分类器的分类效果要好于多项式核SVM文本分类器。     

贝叶斯文本分类中特征词缺失的补偿策略

为了解决朴素贝叶斯分类器在处理文本分类任务时,往往存在的特征词缺失问题,即由于语料库中的词语出现分布情况遵循Zipf定律,仅依靠简单的增加训练语料方式难以解决这种因数据稀疏而引发的特征词缺失问题.引入统计语言模型中的数据平滑算法,通过从已出现词中"折扣"出一定的概率再分配到未出现词中去,来计算缺失特征词的补偿概率,以此克服数据稀疏问题带来的影响.评测数据在去掉停用词的分类过程开放测试中,引入Good-Turing算法的分类性能比Laplace原则提高了3.05%,比Lidstone方法提高1.00%.而在交叉熵选择特征词的算法中,增加Good-Turing的贝叶斯分类方法可比最大熵分类性能高1.95%.通过这种数据平滑的算法,有助于克服因数据稀疏而引发的特征词缺失问题.     

框架式成本降低知识表示体系研究及实现

降低成本求解是一个复杂的基于知识的推理过程,科学的知识表示结构是合理推理的基础.从阐述全生命周期机械产品成本项目组成及特点入手,分析了各成本项目成本降低知识的特点,提出了采用符合其特点的分层次的框架式方法表示成本降低知识,描述了如何在数据库中具体实现框架式成本降低知识表示.     

图像处理中关于汉字粘连字符的分割的背景算法

本文提出了一种基于汉字结构特征的手写体汉字字符切分算法。根据两个组件之间的上下、左右和包围关系,对组件进行合并形成完整的汉字图像。分析整个汉字字符串中组件的宽度和相邻组件的间距,形成字符串的特征估计,指导左右关系组件的合并。     

文本分类中基于位置和类别信息的一种特征降维方法*

从文本特征项所处的位置角度提出了特征项基于位置的降维方法;同时结合特征的类别分布进行了二次特征降维。这种基于位置和类别相结合的特征降维方法在最大程度减少信息损失的条件下,实现了特征维数的有效压缩。实验表明,该方法有较高的文本分类效率。     

基于半CRF模型的百科全书文本段落划分

介绍了基于半条件随机域(semi-Markov conditional random fields,简称semi-CRFs)模型的百科全书文本段落划分方法.为了克服单纯的HMM模型和CRF模型的段落类型重复问题,以经过整理的HMM模型状态的后验分布为基本依据,使用了基于词汇语义本体知识库的段落开始特征以及针对特定段落类型的提示性特征来进一步适应目标文本的特点.实验结果表明,该划分方法可以综合利用各种不同类型的信息,比较适合百科全书文本的段落结构,可以取得比单纯的HMM模型和CRF模型更好的性能.     

自适应视相关LOD模型的动态构建及其更新

在三维表面模型的渐进格网表示法的基础上,提出了一种具有拓扑保持特性的自适应视相关LOD模型的实时动态构建及其更新方法.算法利用渐进格网对原始高分辨率模型进行表示,并根据边折叠的先后顺序构建相应的层次二叉树,在视相关LOD模型的实时动态构建及其更新过程中,顾及包括视点、视方向、视场角、表面法向以及顶点影响范围等几乎所有与视觉效果相关的参数对结果模型的影响,进而构建相应的视相关LOD模型.与传统的静态LOD表示法相比,本文算法可以根据需要有选择地对局部格网进行简化或加密,结果LOD模型中允许多种不同的分辨率共存,在保证渲染效果的同时,有效地减小了模型表达的数据量、加快了模型的渲染速度.通过实例验证了该算法的有效性和实用性.     

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optimization,PSO)提出一种说话人识别算法-三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.