基于多源测量与属性混合信息的分类识别方法

充分利用多传感器系统提供的多源异类信息,将观测数据处于数据级的属性和处于特征级的属性混合作为描述目标的特征矢量;对特征矢量进行了主成分分析,在此基础上转换至三维直角坐标系寻找最优分类平面进行分类识别;采用"一对一"策略解决多类分类问题;通过仿真实验验证了该方法在加入不同百分比高斯白噪声环境下的有效性,并与BP神经网络识别方法在同等条件下作了对比实验,突出了论文所提方法正确识别率高、识别速度快和稳定性高的优越性。     

基于神经网络的中文文本分类中的特征选择技术

基于神经网络的中文文本分类需要解决的核心问题是特征的选择问题,特征选择涉及选择哪些特征和选择的特征维度两个问题。针对上述问题,提出了信息增益(IG)与主成分分析(PCA)相结合的特征选择方法。通过实验比较分析了不同特征选择方法与特征维度对分类性能的影响,证明了该特征选择方法在基于神经网络的中文文本分类中的优越性,并得出神经网络的特征输入维度在200左右的时候分类性能最佳。     

基于RBF神经网络的电力客户信用评估模型

构建基于RBF神经网络的电力客户信用评估模型。为了改善样本的质量和降低训练神经网络时对样本的处理成本,对原始样本进行主成分分析,利用提取的少数主成分作为新的综合指标再进行评估模型的构建。同时通过改进MatLab神经网络工具箱中的RBF神经网络设计函数,构建高分类能力的网络模型。实验证明该信用评估模型的有效性。     

基于GEP和神经网络的属性约简分类算法

分类(Classification)是数据挖掘(DataMining)中的一个重要研究方向,目前传统的方法有神经网络,Fisher判别法等。神经网络缺乏对分类结果的直观解释;Fisher判别对于大数据集分类准确率大大下降,且不具有属性约简能力。为此,该文做了如下工作(1)提出了自动获取最佳阈值的思想;(2)对于错分的实例,提出了运用神经网络分类器二次分类的思想;(3)提出了基于基因表达式编程和神经网络的属性约简分类算法(AttributionReductionClassificationAlgo-rithmsBasedonGEPandNeuralNetwork,ARCA-GEPNN);(4)实验表明,ARCA-GEPNN的分类精度比Fisher判别提高了约25%,比GEP提高了约21%。     

基于PCA-概率神经网络的P2P流量分类方法研究

随着P2P快速增长带来的网络拥塞等诸多问题,准确识别P2P流量对流量控制具有重要的实际意义.提出利用PCA特征选择方法选择最优特征子集,使用概率神经网络方法对P2P流量与常规流量进行分类.实验结果表明,该方法的分类精确度与准确度有了明显的提高.     

基于PCA-BP神经网络的装甲车辆柴油机状态评估

针对装甲车辆柴油机摩托小时不能真实反映实际技术状况的问题,通过提取气缸压缩压力、加速时间、减速时间、供油提前角、振动能量和平均燃油流量等状态参数,运用主成分分析和BP神经网络相结合的方法构建了一种柴油机状态评估模型;该模型首先利用主成分分析方法将多个参数简化为两个综合参数,并根据综合参数的散点图对柴油机的状态进行初步划分,得到BP神经网络的训练数据;最后通过建立BP神经网络进行状态评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

基于变量选取的ANFIS技术及在发酵过程中的建模

提出了一种基于主成分分析选取变量的自适应模糊神经网络的建模方法,将该方法与其他三种未经变量选取的苔适应模糊神经网络的方法的建模精度进行了比较,结果表明该方法的建模精度较好。最后采用真实青霉素发酵过程数据进行模型验证．仿真结果表明该方法具有较好的建模精度和实用性。     

一种基于决策树的多属性分类方法

通过分析对象属性的关系,在建立属性列表的基础上,简化有效属性,同时利用分组计数的方法统计属性取值的类别分布信息,提出了一个基于决策树的两阶段多属性分类算法,可以有效地提高发现分类规则的准确性。最后给出了相应的具体算法。     

网页自动分类的建模与仿真研究

研究网页自动分类是为快速找到用户所需网页.由于网络中网页数量相当大,而且网络是一种半结构化、海量、高维等文本,传统文本分类方法无法进行降维和消除冗余信息,易出现维数灾问题,网页分类准确率低,用户很难找到自己所需网页.为了提高网页分类准确率,提出基于主成分支持向量机的网页自动分类方法.首先对网页数据进行预处理,提取网页特...     

基于属性分类的数据挖掘方法

随着数据仓库的广泛应用,从数据中获取相关的知识或规则越发显得重要,各种各样的数据挖掘技术提出了出来,本文介绍一个基于数据属性值的数据挖掘方法。首先简单介绍了ＩＤ３分类技术,然后详细论述了基于属性值分类的数据挖掘的方法。该方法有两个的步骤：数据采集,整理及形成规则并化简规则。     

粒计算中基于属性分类的形式概念属性约简

针对目前已有的形式概念属性约简算法的不足(如属性约简的时间复杂度偏高、属性及属性值比较过程中存在冗余计算、存储开销大等问题),结合粒计算思想,提出基于属性分类的形式概念属性约简模型.首先,通过定义两个算子来划分属性之间分类关系;然后,由属性分类关系制定约简规则,并在此基础上提出基于属性分类的形式概念约简算法,该算法在保持目前最低时间复杂度不变的情况下,减少了冗余计算和存储开销,提高了属性约简的计算效率;最后,通过实例和仿真实验对基于属性分类关系的形式概念属性约简算法的有效性进行了验证.     

基于再生核Hilbert空间PCA的属性约简

传统的核主成分分析方法通过不明确的实值函数把原始数据投影到高维空间进行属性约简,增加了搜索分类超平面的时间,降低了分类准确率。为此,提出一种基于再生核Hilbert空间主成分分析的属性约简方法,把原始数据通过明确的连续值函数投影到高维或无限维的再生核空间再进行属性约简。真实数据集实验结果显示,该方法能有效提高分类准确率并减少运行时间。     

基于卷积神经网络的军事图像分类

由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题构造了一种新的基于主成分分析(Principal Components Analysis, PCA)白化的卷积神经网络结构,有效地降低数据间的相关性,加强学习能力,提高目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。     

高安全属性价值设备威胁态势量化评估方法

传统的网络安全态势量化评估方法主要面向宏观网络安全态势,未针对安全价值较高的网络设备,给出了高安全属性价值设备的定义,设计了针对设备的威胁态势量化评估框架和评估指标,根据评估框架和指标提出了高安全属性价值设备威胁态势量化评估方法。对具体网络中实际设备的评估结果表明,该方法能够准确、有效地量化评估高安全属性价值设备的威胁态势。     

基于跨语言图神经网络模型的属性级情感分类

目前,在属性级情感分类任务上较为成熟的有标注数据集均为英文数据集,而有标注的中文数据集较少.为了能够更好地利用规模庞大但却缺乏成熟标注数据的中文语言数据集,针对跨语言属性级情感分类任务进行了研究.在跨语言属性级情感分类中,一个核心问题为如何构建不同语言的文本之间的联系.针对该问题,在传统的单语言情感分类模型的基础上,使用图神经网络模型对跨语言词-词、词-句之间的关系信息进行建模,从而有效地刻画两种语言数据集之间的联系.通过构建单语词-句之间的联系和双语词-句之间的联系,将不同语言的文本关联起来,并利用图神经网络进行建模,从而实现利用英文数据集预测中文数据集的跨语言神经网络模型.实验结果表明：相较于其他基线模型,所提出的模型在F1值指标上有着较大的提升,从而说明使用图神经网络建立的模型能够有效地应用于跨语言的应用场.     

基于Softmax回归的电力仪表分类

智能电网中变电站的智能化。要求变电站能够智能检测并记录反映其运行情况的开关状态、电表数据。现有的方法多是通过获得电表的图片,针对图片分析其状态、数据。然而在分析具体电表数据之前,需要对图片进行分类,判断当前图片对应哪一种电表。基于Softmax回归的电力仪表分类正是为了解决这个问题而提出的分类方法。分为图片预处理、降维、Softmax回归模型的训练三个步骤。在真实变电站电力仪表图片组成的实验数据测试下,能够保持非常高的识别率,从而有效地解决这一问题。     

基于PCA与分类回归树的疾病诊断应用研究

提出基于主成份分析和分类回归树方法（CART）的分类判别法。针对皮肤病学中鳞片状红斑疾病区分诊断的难题,首先利用主成份分析对病例属性进行约简,然后通过构造的分类回归树用于识别不同种类的红斑疾病。实验表明该方法能够准确的对病例进行识别,且达到了相当的精度要求。     

基于遗传相关向量机的图像分类技术

为了克服当前图像分类算法分类精度低等难题,提出基于遗传相关向量机(G-RVM)的图像分类方法,应用遗传算法对相关向量机参数进行优化.首先,采用主成分析法(PCA)提取图象特征;其次,利用训练集的数据,结合遗传算法获得相关向量机最优参数,得到优化的相关向量机图像分类模型;最后,采用Corel图像数据库中的图像作为实验数据.实验结果表明遗传相关向量机的图像分类方法比现有的图像分类方法有着更高的分类精度.因此,遗传相关向量机方法非常适合图像分类.     

基于事件属性的事件分类研究

事件分类研究一直是计算机科学和语言学等学科的核心研究内容,针对动词语义层面上的分类问题,研究者们提出了不同的分类标准,而根据这些分类标准对动词进行分类会产生分类有交叉和分类粒度粗等问题。一个动词通常表示一个过程事件,该文以汉语世界中经常发生的过程事件为语义分类对象,从事件的定义中提取事件的特征属性,并给每个特征属性赋予权重,利用特征属性对顶层事件类包含的事件进行分类。该文采用框架的形式对事件进行语义描述,框架内容由事件的特征属性和私有属性组成。重点以“传播”类事件为例来阐述该文的分类方法,通过实际操作发现,利用该分类方法,可以得到一个比较清晰的事件语义分类结构。该文用描述逻辑来对事件及事件之间的分类关系进行形式化表示。根据该事件分类体系,可以有效获取事件属性相关的常识知识。     

基于属性学习的图像分类研究

图像中所蕴含的属性对于图像识别有着重要作用,以往的传统分类方法往往忽略了这些特性,为此,提出一种将稀疏表示和属性学习结合用于图像分类的新方法。该方法首先对图像特征进行稀疏分解,利用系数稀疏表示重构图像特征,然后将重构的特征数据用于属性学习,通过属性分类器的训练学习完成对目标图像的属性识别,达到识别出图像种类的目的。在植物数据集上的对比试验证实了该算法的有效性和在识别准确率上相对于传统识别算法的提升。