神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。     

回采工作面直接顶板的多类线性分类器的设计

本文应用模式识别理论，引用文献中数据建立了回采工作面直接顶板的多类线性分类器；分类结果表明，该分类器的分类效果较文献有所改进，该分类方法具有计算简单，易于理解和应用等特点。     

基于SPOT-5多光谱影像的矿区塌塘水体提取方法研究

针对基于遥感影像的水体提取方法存在水体提取不完整和误提的现象,提出了一种基于SPOT-5多光谱影像的矿区塌塘水体提取方法。在利用波段合成增加一个可用波段的基础上对已有的水体提取方法进行适当的改进,并基于决策树分类器和改进后的方法进行矿区水体的四级提取,保证了水体提取的完整性,同时减少了误提率;最后利用实测数据对水体提取的精度进行了评定。试验结果表明,基于决策树分类器的水体提取方法具有较高的精度,能满足矿区实际应用的需要。     

基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

有序贝叶斯网络在肥胖数据中的应用

针对肥胖数据,首先利用Kuschner方法生成初始网络,然后与Halbersberg方法进行结合得到有序贝叶斯网络,最终预测肥胖等级,并寻找影响肥胖的因素.     

矢功率谱与RBF网络结合在旋转机械故障诊断中的应用

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面.径向基函数网络具有良好的推广能力和分类能力.基于此,本文结合矢功率谱和径向基函数网络,提出了一种新的故障识别方法,该方法以矢功率谱为特征向量,径向基函数网络为分类器.并以转子裂纹、转子不对中、油膜涡动为例进行实验研究,实验结果表明,该方法是有效的.     

LDE融合光谱回归分类的光照变化人脸识别

针对光照变化人脸识别问题中传统的光谱回归算法不能很好地进行特征提取而严重影响识别性能的问题,提出了局部判别嵌入优化光谱回归分类的人脸识别算法。计算出训练样本的特征向量;借助于数据的近邻和分类关系,利用局部判别嵌入算法构建分类问题所需的嵌入,同时学习每种分类的子流形所需的嵌入;利用光谱回归分类算法计算投影矩阵,并利用最近邻分类器完成人脸的识别。在两大人脸数据库扩展YaleB及CMU PIE上的实验验证了该算法的有效性,实验结果表明,相比其他光谱回归算法,该算法取得了更高的识别率、更好的工作特性,并且降低了计算复杂度。     

便携心电传感器的心房肥大诊断研究

基于便携式传感器的模式识别在心电(ECG)监护领域具有广泛的应用前景,并且在心律不齐、心肌梗塞、心室肥大等心电的识别算法上都已有大量的研究与应用,但在心房肥大诊断上却未有模式识别相关的研究成果。心房肥大病症的心电数据量不足给研究造成重大障碍,部分分类器无法适应小样本训练下的分类。针对小样本训练进行研究,对比了不同分类方法,显示了基于统计模式识别的支持向量机(SVM)应用于心房肥大的应用潜力。另外,由于不同个体的心房肥大心电存在差异,在实际应用环境中,SVM存在无法良好泛化的问题,存在类别错分的医学风险。针对类别错分情况,采用分类器融合的方法改进分类器,提出了在SVM分类器输出端增加了拒绝域的分类器(SVM-R)的方法。实验结果表明:SVMR有较高的分类准确率与诊断可信度。     

基于多特征融合和SVM分类器的植物病虫害检测方法

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机(SVM)的检测方法,实现农业生产中植物病虫害的快速检测。对每幅植物叶片图像的颜色、HSV、纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类。对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率。     

一种道路车辆监控视频中的关键帧提取方法

针对道路监控视频中特定车辆图像序列的关键帧提取问题,在运动对象检测的基础上,提出一种关键帧提取方法。将积分通道特征和面积特征作为图像特征描述子,结合Ada Boost训练分类器,实现道路监控视频车辆序列图像中关键帧的提取。通过运动对象前景检测技术获得出现在监控区域的运动车辆最小外接矩形图像序列,选择满足监控分析需求(车牌清晰度高,能判断车型)的若干帧作为正样本,其他不满足监控分析需求的作为负样本,提取样本图像的面积特征和积分通道特征,利用Ada Boost方法训练得到一个分类器,使用Ada Boost分类器对测试样本进行分类,根据打分规则提取关键帧。实验结果表明,该方法能提取运动车辆从进入到离开监控区域的序列图像帧中最清晰的图像,实现道路车辆监控视频分析数据的有效压缩。