基于SVD和曲波变换的图像特征提取研究

关于图像特征提取优化问题,为有效地描述图像特征,提出了一种奇异值分解(SVD)和曲波变换的特征提取方法,首先对图像进行奇异值分解和曲波变换,分别获得图像的奇异值和不同尺度的曲波系数,根据识别成功率选取一组较大的奇异值,并计算各尺度曲波系数的均值、标准差、能量和熵等统计特征.最后利用选取的奇异值和曲波系数的统计特征构造特征集描述图像特征.将提取的特征集应用于纹理图像识别,平均识别率达到了94％.仿真结果表明,改进方法提取的特征集能很好地刻画图像特征,应用于图像识别可获得较高的识别成功率.     

基于人脸细节方向特性的识别特征提取

充分考虑到人脸图像的整体和细节特征,进而将人脸的眉毛、眼睛、鼻子和嘴部细节部分的水平方向特性引入到特征提取环节中;将小波变换后的低频近似分量、表达上述水平特性的水平细节分量以及眉毛、眼睛、鼻子和嘴部细节区域分别进行奇异值分解,并对得到的3组奇异值进行排列组合,最终作为该图像的有效识别特征。结果表明,基于人脸细节方向特性的识别特征提取方法的识别率高于在原图上的基本奇异值分解等方法。     

基于主元分析的人脸特征提取MATLAB实现

人脸的特征提取是人脸识别的关键技术,采用主元分析法进行特征提取是经典的方法之一,利用M at-lab进行人脸的特征提取能显著地提高计算效率。论述了利用主元分析和奇异值分解进行人脸特征提取的方法,并详细阐述其在M atlab中的实现过程,包括读取图像文件、计算均值脸、求特征值和特征向量,计算人脸特征参数。实现过程均给出了M atlab代码。实践证明利用M atlab进行主元分析提取特征是一种有效的方法。     

基于DDCT与TCSVD的人脸特征提取与识别算法

提出一种基于分块离散余弦变换(DCT)与奇异值分解阈值压缩(TCSVD)的人脸特征提取与识别算法。该算法对人脸图像进行分块DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征矩阵,通过对每个图像块的特征矩阵进行SVD阈值压缩和特征组合来构建人脸鉴别特征,并利用分类器进行特征分类与识别。AR人脸库上的实验结果验证了该算法的有效性。     

人脸图像的特征提取

人脸识别的研究是模式识别和人工智能领域内的重要课题,有着十分广泛的应用前景。人脸特征的自动提取是人脸自动识别过程中至关重要的一个环节。主要就基于积分投影的人脸图像的特征提取、基于奇异值分解的特征提取及小波特征提取等几种较好方法进行研究。基于积分投影的人脸图像特征点的提取方法对人脸进行定位特别精确。基于小波分解频谱性分析的人脸特征提取极大减少了图像的存储空间和计算复杂度。基于SVD分解的特征提取处理后的正确率很高,计算复杂度也低。     

人脸图像的特征提取

人脸识别的研究是模式识别和人工智能领域内的重要课题，有着十分广泛的应用前景。人脸特征的自动提取是人脸自动识别过程中至关重要的一个环节。主要就基于积分投影的人脸图像的特征提取、基于奇异值分解的特征提取及小波特征提取等几种较好方法进行研究。基于积分投影的人脸图像特征点的提取方法对人脸进行定位特别精确。基于小波分解频谱性分析的人脸特征提取极大减少了图像的存储空间和计算复杂度。基于SVD分解的特征提取处理后的正确率很高，计算复杂度也低。     

基于奇异值分解及形态滤波的滚动轴承故障特征提取方法*

针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法。该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号;然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

应用于人脸识别的结合SVD变换的图像类特征提取算法

由于矩阵奇异值(SVD)为依据的图像识别技术中,SVD与矩阵之间不是一一对应的.为此提出了同类图像的类SVD变换及其图像特征提取方法.并采用最近邻法进行分类识别,应用于人脸识别中,有较好的效果.     

基于EMMD和AR奇异值熵的故障特征提取方法研究

提出了一种基于EMMD(extremum field mean mode decomposition)和AR(auto-regressive)奇异值熵的故障特征提取方法。该方法在对故障信号的EMMD分解基础上,选取有限个固有模态函数(IMF,intrinsic mode function)的AR模型参数向量作为故障的初始特征向量矩阵,对初始特征向量矩阵求取奇异值熵,通过奇异值熵的大小表征故障类型。对转子故障数据的分析结果表明该方法能够有效地应用于非线性和非平稳故障信号的特征提取。     

Gene subset selection in microarray data using entropic filtering for cancer classification

Abstract: In this work an entropic filtering algorithm (EFA) for feature selection is described, as a workable method to generate a relevant subset of genes. This is a fast feature selection method based on finding feature subsets that jointly maximize the normalized multivariate conditional entropy with respect to the classification ability of tumours. The EFA is tested in combination with several machine learning algorithms on five public domain microarray data sets. It is found that this combination offers subsets yielding similar or much better accuracies than using the full set of genes. The solutions obtained are of comparable quality to previous results, but they are obtained in a maximum of half an hour computing time and use a very low number of genes.     

基于随机矩阵理论的高维数据特征选择方法

传统特征选择方法多是通过相关度量来去除冗余特征,并没有考虑到高维相关矩阵中会存在大量的噪声,严重地影响特征选择结果。为解决此问题,提出基于随机矩阵理论（RMT）的特征选择方法。首先,将相关矩阵中符合随机矩阵预测的奇异值去除,从而得到去噪后的相关矩阵和选择特征的数量;然后,对去噪后的相关矩阵进行奇异值分解,通过分解矩阵获得特征与类的相关性;最后,根据特征与类的相关性和特征之间冗余性完成特征选择。此外,还提出一种特征选择优化方法,通过依次将每一个特征设为随机变量,比较其奇异值向量与原始奇异值向量的差异来进一步优化结果。分类实验结果表明所提方法能够有效提高分类准确率,减小训练数据规模。     

基于随机森林和投票机制的大数据样例选择算法

针对大数据样例选择问题,提出了一种基于随机森林（RF）和投票机制的大数据样例选择算法。首先,将大数据集划分成两个子集,要求第一个子集是大型的,第二个子集是中小型的。然后,将第一个大型子集划分成q个规模较小的子集,并将这些子集部署到q个云计算节点,并将第二个中小型子集广播到q个云计算节点。接下来,在各个节点用本地数据子集训练随机森林,并用随机森林从第二个中小型子集中选择样例,之后合并在各个节点选择的样例以得到这一次所选样例的子集。重复上述过程p次,得到p个样例子集。最后,用这p个子集进行投票,得到最终选择的样例子集。在Hadoop和Spark两种大数据平台上实现了提出的算法,比较了两种大数据平台的实现机制。此外,在6个大数据集上将所提算法与压缩最近邻（CNN）算法和约简最近邻（RNN）算法进行了比较,实验结果显示数据集的规模越大时,与这两个算法相比,提出的算法测试精度更高且时间消耗更短。证明了提出的算法在大数据处理上具有良好的泛化能力和较高的运行效率,可以有效地解决大数据的样例选择问题。     

基于RBF神经网络和决策树的文本分类方法

该文根据CH I值原理、基于R BF神经网络和决策树原理,提出了一种文本分类的新方法。决策树分类方法具有出色的数据分析效率和容易抽取易于理解的分类规则等优势,但只能应用于维数较低的特征空间,对于维数达成千上万维的文本分类问题很难应用。该文分析了CH I值原理,提出了一种改进的CH I值;并用改进的CH I值选择了对每个文本类别分类贡献大的若干词条,并采用基于RBF神经网络方法对选择的特征进行进一步提取,因此得到维数较小的文本向量空间。最后再使用决策树进行分类,从而既保证了分类精度又可很容易地抽取出分类规则。     

An incremental feature selection approach based on scatter matrices for classification of cancer microarray data

Microarray data are often characterized by high dimension and small sample size. There is a need to reduce its dimension for better classification performance and computational efficiency of the learning model. The minimum redundancy and maximum relevance (mRMR), which is widely explored to reduce the dimension of the data, requires discretization and setting of external parameters. We propose an incremental formulation of the trace of ratio of the scatter matrices to determine a relevant set of genes which does not involve discretization and external parameter setting. It is analytically shown that the proposed incremental formulation is computationally efficient in comparison to its batch formulation. Extensive experiments on 14 well-known available microarray cancer datasets demonstrate that the performance of the proposed method is better in comparison to the well-known mRMR method. Statistical tests also show that the proposed method is significantly better when compared to the mRMR method.     

A comprehensive framework for project selection problem under uncertainty and real-world constraints

This paper proposes a comprehensive framework for project selection problem under uncertainty and subject to real-world constraints, like segmentation, logical, and budget constraints. The framework consists of two main phases. In the first phase, the candidate projects are ranked considering the uncertainty, through a Monte Carlo simulation linked to a multi-criteria approach. In the second phase, the overall complete preorder of the projects in different iterations is first determined and then used in another Monte Carlo simulation linked to an integer programming module in order to effectively drive the final portfolio selection while satisfying the budget, segmentation and other logical constraints. The proposed framework is implemented in a case study to show its usefulness and applicability in practice. Finally, a comparison is carried out between the proposed approach and its deterministic counterpart and the corresponding results are discussed.     

基于相关性分析及遗传算法的高维数据特征选择

特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象,特征选择一方面可以提高分类精度和效率,另一方面可以找出富含信息的特征子集。针对此问题,提出了一种综合了filter模型及wrapper模型的特征选择方法,首先基于特征与类别标签的相关性分析进行特征筛选,只保留与类别标签具有较强相关性的特征,然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索,并采用感知器模型的分类错误率作为评价指标。实验结果表明,该算法可有效地找出具有较好的线性可分离性的特征子集,从而实现降维并提高分类精度。     

多频段时域分解的行为识别特征优选方法

为了降低外界环境对移动用户行为识别的影响,保留行为敏感特征、提高行为识别的准确率,提出了一种多频段时域分解的人体行为识别特征优选方法.该方法对行为样本数据进行多频段分解,计算样本数据在不同频段信号的特征,利用遗传算法以决策树作为分类器进行特征优选,在多组特征中搜索出近似最优的特征组合.实验结果表明,该方法优选出的特征组合能有效提高行为识别的准确率.     

A stochastic cross‐efficiency data envelopment analysis approach for supplier selection under uncertainty

This paper addresses one of the key objectives of the supply chain strategic design phase, that is, the optimal selection of suppliers. A methodology for supplier selection under uncertainty is proposed, integrating the cross‐efficiency data envelopment analysis (DEA) and Monte Carlo approach. The combination of these two techniques allows overcoming the deterministic feature of the classical cross‐efficiency DEA approach. Moreover, we define an indicator of the robustness of the determined supplier ranking. The technique is able to manage the supplier selection problem considering nondeterministic input and output data. It allows the evaluation of suppliers under uncertainty, a particularly significant circumstance for the assessment of potential suppliers. The novel approach helps buyers in choosing the right partners under uncertainty and ranking suppliers upon a multiple sourcing strategy, even when considering complex evaluations with a high number of suppliers and many input and output criteria.     

Kernel-based learning and feature selection analysis for cancer diagnosis

DNA microarray is a very active area of research in the molecular diagnosis of cancer. Microarray data are composed of many thousands of features and from tens to hundreds of instances, which make the analysis and diagnosis of cancer very complex. In this case, gene/feature selection becomes an elemental and essential task in data classification. In this paper, we propose a complete cancer diagnostic process through kernel-based learning and feature selection. First, support vector machines recursive feature elimination (SVM-RFE) is used to prefilter the genes. Second, the SVM-RFE is enhanced by using binary dragonfly (BDF), which is a recently developed metaheuristic that has never been benchmarked in the context of feature selection. The objective function is the average of classification accuracy rate generated by three kernel-based learning methods. We conducted a series of experiments on six microarray datasets often used in the literature. Experiment results demonstrate that this approach is efficient and provides a higher classification accuracy rate using a reduced number of genes.