一种基于Mahalanobis距离的增量聚类算法

经典的模糊c均值聚类算法对非球型或椭球型分布的数据集进行聚类效果较差。将经典的模糊c均值聚类中的欧氏距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,将其用于增量学习中,提出一种基于马氏距离的模糊增量聚类学习算法。实验结果表明该算法能较有效地解决模糊聚类方法中的缺陷,提高了训练精度。     

基于SVM_KNN的老人跌倒检测算法

跌倒是老年人伤害和死亡的主要诱因之一,我国每年约有4000万65岁以上的老人意外跌倒。本文基于智能手机的加速度、气压计等传感器提出一种人体跌倒检测算法。该算法首先采用支持向量机（SVM）对训练集进行训练,得到一个弱二分类器（包含最优超平面和支持向量集）,然后计算待测样本到最优超平面的距离。若该距离大于设定的间隔,直接采用SVM分类;否则,利用支持向量集作为有标签的训练集进行K近邻分类（KNN）。考虑到特征值的多维性,本文引入标准化欧氏距离替代传统的欧氏距离。仿真与实验结果显示,与传统的支持向量机算法相比,该算法能有效提高跌倒检测的准确率,且不受智能手机放置位置的限制。      

开放环境下未知材质的识别技术

针对开放环境下未知物体材质识别的问题,本文提出一种利用欧氏距离区分未知类别和已知类别的物体材质识别方法框架,在该框架下利用支持向量机对物体材质进行识别,分类效果显著。该方法利用距离度量中的欧氏距离与阈值进行比较,距离的均值小于阈值的物体判定为已知类别物体材质,并进行分类;距离大于阈值的物体判定为未知类别物体材质,并利用支持向量机算法进行重新学习识别。本文在慕尼黑工业大学的触觉数据集中的声音数据上进行实验,对比了5种距离度量方法,选择了欧氏距离;与开集稀疏表示分类方法对比,显示出本文提出的方法在声音数据集上具有一定的优势;通过实验选出了合理的阈值,并最终实现了开放环境下识别所有物体材质。实验验证了该框架可以很好地解决开放环境下触觉感知信息的物体材质识别问题。     

基于欧氏距离的支持向量机拒识区域解决方案

为克服传统多分类支持向量机中存在的拒识区域问题,提高算法的分类性能和泛化能力,提出一种基于欧氏距离的拒识区域解决方案。该方法直接计算落入拒识区域中的样本点到每类中心的欧氏距离,然后选择较小的欧氏距离对应的类为样本的所属类。基于标准数据集的实验结果表明,欧氏距离法实现了零拒识,有效提高了算法的分类性能和泛化能力。     

基于深度学习的改进贝叶斯网络入侵检测算法

针对传统的朴素贝叶斯网络入侵检测技术存在训练数据集中属性冗余的问题,以及没有考虑到网络环境的变化导致贝叶斯网络结构改变的问题,提出一种结合深度学习和滑动窗口改进贝叶斯网络入侵检测方法。利用深度学习提取特征属性,降低数据集维数;采用滑动窗口技术实时更新贝叶斯网络参数,并利用特征属性的互信息计算各属性之间的相对欧氏距离,根据相对欧氏距离的大小及时更新贝叶斯网络,以提高检测率。实验结果表明,改进后的贝叶斯网络能够提高运算效率和检测率。     

模式识别中欧氏距离特征选择新方法

本文提出用降维空间中欧氏距离作为模式识别中特征选择的准则。特征选择后的模式在新的特征空间中,如果类内欧氏距离最小,或类间欧氏体距离最大,则可获得良好的分类效果。可以证明,K-L特征选择中,在讨论分类问题时,往往采用类内协方差矩阵最大本征值的那些特征,这是离开模式识别要求的讨论。本文从欧氏距离,正交变换和二次最优的观点。提出模式识别中三类特性选择方法,即最小类内欧氏距离特征选择,最大类间欧氏距离特征选择和综合欧氏距离特征选择。本文通过比较及实例分析,说明欧氏距离特征选择具有简明、直观的特点,并且把以正交变换为基础的各种特征选择方法从概念上统一起来。     

基于相似性度量的软件缺陷预测训练集推荐

在软件缺陷预测过程中，训练集质量是影响预测结果的关键因素。近几年，训练集选择也成为跨项目缺陷预测和跨版本缺陷预测等场景下的研究热点。然而，现有研究大多针对单一预测场景，可能会在一定程度上影响训练集质量。基于跨项目缺陷预测和跨版本缺陷预测两个场景，从数据分布角度提出一种基于相似性度量的训练集推荐（similarity-based training set recommendation,STSR）方法。采用聚类将候选源项目与目标项目划分为相同个数的簇，计算簇心之间的欧氏距离衡量数据集的相似度，对目标项目进行抽样，计算候选源项目与抽样目标项目缺陷率的差值，并计算干扰类比率，最终实现训练集推荐。在PROMISE数据集的11个项目共40个版本上进行实验验证，采用F1和AUC指标评价STSR方法的性能。实验结果表明，与跨版本缺陷预测相比，STSR方法的F1更优，在AUC指标上两者相当；在时间代价方面，STSR方法的最长推荐时间为5.09 s，是可接受的。     

基于鲁棒的余弦欧氏距离度量降维的图像检索方法

为解决主成分分析（PCA）无法处理非线性数据集以及鲁棒性差的问题,提出一种鲁棒的余弦-欧氏距离度量的降维方法（RCEM）。该方法利用余弦度量（CM）能够处理离群点的特点来提取数据的局部几何特征,并利用欧氏距离能够很好地保持样本的方差信息的特点来刻画数据集的全局分布,在保留数据局部信息的同时实现了局部和全局的统一,提高了局部降维算法的鲁棒性,同时避免了局部小样本问题。实验结果显示,与角度优化全局嵌入（AOGE）方法相比,在Corel-1000数据集下检索查准率提高了5.61%,相比不降维时检索时间减少了42%。结果表明,RCEM算法能在不降低图像检索精度的同时提高图像检索的效率,可以有效应用于基于内容的图像检索（CBIR）。     

点集表面的共形参数化

基于点的图形系统成为图形学研究中的一个热点。该文介绍了一种无组织点集表面的共形参数化方法，在该参数化方法中，传统算法中经常使用的欧氏距离被测地线距离所代替。相对于欧氏距离，测地线距离能够更好地描述点集所隐含的表面，减少由点集表面无拓扑性质带来的误差，保持点集曲面的形状不变，提高参数化的质量。     

基于对数欧氏度量学习的概率黎曼空间量化方法

在许多机器学习应用中,需要分析的数据可能由对称正定矩阵构成,而经典的欧氏机器学习算法处理这种数据的性能较差。针对此问题,提出一种新的基于对数欧氏度量学习的概率黎曼空间量化方法。该方法将对称正定矩阵看做对数欧氏度量下黎曼流形上的点,采用对数欧氏度量学习距离函数将概率学习矢量量化方法从欧氏空间推广到对称正定黎曼空间。在BCI IV 2a脑电数据集上,该方法相较于概率学习矢量量化方法识别正确率提升20%,高于竞赛第一名;并且计算速度快,模型训练及测试时间分别为基于仿射不变度量的同类型算法的1%和10%。在BCI III IIIa和图像数据集ETH-80上也取得了较好的结果。     

Multi-view face identification and pose estimation using B-spline interpolation

The available face views in the training set are mostly limited. In this paper, we present a view interpolation method using nonlinear B-spline on face manifolds. Two models, the inner–outer ellipse model and the moment of inertia model, are developed to estimate the pose orientation. We use the limited view-pose face images to form the pose eigen space. Then, based on these nonlinear manifolds we form a B-spline for each individual. Identification is to compute the shortest Euclidean distance from a given test view to the nearest point within one of these B-splines. Once the test view is classified as a familiar individual in the training set, not only can the individual be identified, but also the pose angle can be estimated. Experimental results show that B-spline interpolation can achieve a recognition rate of 95%.     

基于非线性距离和夹角组合的最近特征空间嵌入方法

最近特征空间嵌入NFSE方法在训练过程中选取最近特征空间时采用传统的欧氏距离度量会导致类内离散度和类间离散度变化同步;测试时,最近邻规则也使用欧氏距离度量,而高维空间样本间直线距离具有趋同性。这些都会降低识别率,为解决此问题,提出了基于非线性距离和夹角组合的最近特征空间嵌入方法。在训练阶段,该方法使用非线性距离度量选取最近特征空间,使类内离散度的变化速度远小于类间离散度的变化速度,从而使转换空间中同类样本距离更小,不同类样本距离更大。在匹配阶段,使用结合夹角度量的最近邻分类器,充分利用样本相似性与样本夹角的关系,更适合高维空间中样本分类。仿真实验表明,基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法。     

Generalized Normalized Euclidean Distance Based Fuzzy Soft Set Similarity for Data Classification

Classification is one of the data mining processes used to predict predetermined target classes with data learning accurately. This study discusses data classification using a fuzzy soft set method to predict target classes accurately. This study aims to form a data classification algorithm using the fuzzy soft set method. In this study, the fuzzy soft set was calculated based on the normalized Hamming distance. Each parameter in this method is mapped to a power set from a subset of the fuzzy set using a fuzzy approximation function. In the classification step, a generalized normalized Euclidean distance is used to determine the similarity between two sets of fuzzy soft sets. The experiments used the University of California (UCI) Machine Learning dataset to assess the accuracy of the proposed data classification method. The dataset samples were divided into training (75% of samples) and test (25% of samples) sets. Experiments were performed in MATLAB R2010a software. The experiments showed that: (1) The fastest sequence is matching function, distance measure, similarity, normalized Euclidean distance, (2) the proposed approach can improve accuracy and recall by up to 10.3436% and 6.9723%, respectively, compared with baseline techniques. Hence, the fuzzy soft set method is appropriate for classifying data.

     

融合奇异值分解和最大间距准则的人脸识别方法

提出了一种融合奇异值分解（SVD）和最大间距准则鉴别分析（MMC）的人脸识别方法。对人脸图像进行奇异值分解,选取较大的一组奇异值构成特征向量,对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵。融合决策阶段,在以上两类特征集中,分别计算待识别样本到所有训练样本的欧氏距离并对得到的两类结果进行加权融合,最后根据最近距离分类器分类。基于ORL人脸数据库上的实验结果表明算法的有效性。     

Discriminative training approaches to fabric defect classification based on wavelet transform

Wavelet transform is able to characterize the fabric texture at multiscale and multiorientation, which provides a promising way to the classification of fabric defects. For the objective of minimum error rate in the defect classification, this paper compares six wavelet transform-based classification methods, using different discriminative training approaches to the design of the feature extractor and classifier. These six classification methods are: methods of using an Euclidean distance classifier and a neural network classifier trained by maximum likelihood method and backpropagation algorithm, respectively; methods of using an Euclidean distance classifier and a neural network classifier trained by minimum classification error method, respectively; method of using a linear transformation matrix-based feature extractor and an Euclidean distance classifier, designed by discriminative feature extraction (DFE) method; method of using an adaptive wavelet-based feature extractor and an Euclidean distance classifier, designed by the DFE method. These six approaches have been evaluated on the classification of 466 defect samples containing eight classes of fabric defects, and 434 nondefect samples. The DFE training approach using adaptive wavelet has been shown to outperform the other approaches, where 95.8% classification accuracy was achieved.     

加权成对约束度量学习在说话人识别中的应用

I-vector说话人识别系统常用距离来衡量说话人语音间的相似度。加权成对约束度量学习算法（WPCML）利用成对训练样本的加权约束信息训练一个用于计算马氏距离的度量矩阵。该度量矩阵表示的样本空间中,同类样本间的距离更小,非同类样本间的距离更大。在美国国家标准技术局（NIST）2008年说话人识别评测数据库（SRE08）的实验结果表明,WPCML算法训练度量矩阵用于马氏距离相似度打分,比用余弦距离相似度打分的性能更好。选择训练样本对方法用于构造度量学习训练样本集能进一步提高系统实验性能,并优于目前最流行的PLDA分类器。     

用于近红外校正模型的训练样本选择

近红外(near-infrared,NIR)校正模型建立时传统的训练样本选择方法只考虑光谱欧氏距离的同类就近选取,不考虑光谱特征异常的训练样本的影响.基于主元分析(principal component analysis,PCA)残差,在同类就近取样的基础上引入异常光谱剔除技术进行训练样本的二次提取,用于建立偏最小二乘(partial least squares,PLS)回归模型.实验结果表明,该方法比传统方法的预测精度有较明显的提高.     

短期负荷预测Volterra滤波器模型

讨论依据相空间邻近轨道演化相似性的特点构造训练模式,建立短期负荷预测Ｖｏｌｔｅｒｒａ滤波器模型的问题．以距离相似度和趋势相似度来衡量电力负荷吸引子轨道的相似度,提出了电力负荷吸引子邻近轨道判别的新方法．从模型训练充分性的角度出发,探讨了模型训练集规模的选择依据．仿真结果表明该模型是有效的．     

一种基于HSI的距离联合RGB 3维场边缘探测方法

在彩色图像边缘检测中，欧氏距离方法虽对亮度变化敏感，但对色度和饱和度的差异不太敏感，而矢量角方法又仅能探测色彩差异。为了在RGB3维彩色场中获取精确的边缘信息，提出了一种基于HIS(色度、饱和度和亮度)的距离联合边缘检测方法。该方法在高亮和色差大的区域主要利用矢量角对色彩差异来进行检测，而在低亮和色差小的区域则主要利用欧氏距离的亮度差异来进行边缘检测。实验表明，该方法可有效地解决矢量角存在的问题，其与LUV欧氏距离检测方法相比，则可以避免复杂的色彩空间变换计算，其检测效果也更佳。