加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

基于KPCA和RBF网络的文本分类研究

基于词空间的分类方法很难处理文本的高维特性和复杂相关性,为此文中提出了基于核的主成分分析和径向基神经网络的文本分类算法.首先利用核主成分分析选择合适的核函数从高维特征空间中提取文本向量的主成分,实现了文本输入空间的降维和语义特征空间的抽取,然后在语义特征空间中训练径向基神经网络分类器,并利用训练得到的分类器进行文本分类工作.实验结果表明:核主成分分析不仅实现了降维,而且能在大幅减减少径向基神经网络训练时间的基础上显著提高其分类精度.     

PCA与联合近邻权值协同过滤算法研究

协同过滤推荐算法主要是通过学习用户对商品过去所作出的偏好行为来为用户作出推荐,也就是协同过滤算法会对用户评分矩阵进行用户行为偏好学习,从而为用户作出相应的推荐。但是,由于用户评分矩阵具有极大的稀疏性,稀疏性会影响推荐算法的推荐结果.针对评分矩阵的稀疏性问题,文章利用主成分分析法,对用户原始评分矩阵首先进行降维处理,将原始评分矩阵转换到主成分空间上,缓解了评分矩阵的稀疏性,同时也降低了运算的时间复杂度.利用MovieLens数据库对算法进行了实验并和联合近邻权值算法进行了比较.结果表明,本文算法有较高的准确度和运行效率.     

一种脱机手写签名认证方法

研究脱机签名认证的特征抽取和比较决策。针对脱机手写签名验证特点,提出一种主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法。首先使用主成分特征提取算法对签名图像进行特征提取和降维处理,然后基于主成分特征设计径向基神经网络识别签名的真伪。实验结果表明该方法可取得较好的识别效果。     

一种脱机手写签名认证方法

研究脱机签名认证的特征抽取和比较决策.针对脱机手写签名验证特点,提出一种主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法.首先使用主成分特征提取算法对签名图像进行特征提取和降维处理,然后基于主成分特征设计径向基神经网络识别签名的真伪.实验结果表明该方法可取得较好的识别效果.     

CX-805双极化无线电监测测向系统

CX-805双极化无线电监测测向系统,是一种采用先进的数字式相关干涉仪体制,兼有水平极化波和垂直极化波监测测向功能的无线电监测测向系统.该系统可作为固定站、移动站,或可搬移站进行使用,完成无线电监测测向、监听录音、录像等功能.垂直极化波的监测与测向,主要是针对无线寻呼、通信信号、导航信号等垂直极化的无线电信号进行监测测向、交绘定位和干扰查处等;水平极化波的监测与测向,主要是针对广播、电视信号进行监测、测向、监听及电视图像的录像,能满足对广播、电视信号指标测试和对非法台站的侦察、定位等工作需求.     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于HOA优化卷积神经网络的英语教学质量评估方法

针对当前高校英语教学质量评价准确性不高问题，提出了一种基于蜂鸟算法(HOA)优化卷积神经网络英语教学质量评价方法。利用主成分分析方法对英语教学质量评价指标进行降维，然后针对卷积神经网络陷入局部最优的问题，采用蜂鸟优化算法对卷积神经网络参数进行优化，设计基于蜂鸟算法优化卷积神经网络的英语教学质量评价模型。结果表明，通过HOA对CNN网络参数进行优化，克服了CNN优化陷入局部最优的缺陷，可有效评价英语教学质量，且精度更高、耗时更少。     

基于PCA与SVM的焊缝缺陷信号分类方法

为保证焊接结构处于安全工作状态,文中针对焊缝缺陷的分类问题提出一种结合主成分分析和支持向量机的焊缝特征导波缺陷信号的分类方法。该方法首先以缺陷回波的稀疏重构信号为基础提取了缺陷信号的特征参数矩阵,然后利用主成分分析法对参数矩阵进行降维优化以消除冗余信息。将优化的低维特征矩阵应用于支持向量机进行分类训练,并对比不同主成分的分类效果。最后选择核函数和相关参数来提高分类器的准确率。实验结果表明,该方法能够有效地对焊缝缺陷进行分类。     

基于稀疏编码的卷积神经网络在语音识别中的应用

在语音识别研究中,为了消除特征之间的相关性,将稀疏表示引入到模式识别中;针对深度神经网络忽略了输入数据空间位置信息的缺点,将卷积神经网络引入到模式识别中,构建了基于稀疏表示的卷积神经网络。由于经过稀疏编码后的特征互不相关,可以更有效地表示样本数据,而卷积神经网络能有效利用空间信息。因此,基于稀疏表示的卷积神经网络能大幅提升系统识别性能。该研究通过对稀疏编码和卷积神经网络现状的研究,对两种方法进行了总结。     

Dimensionality reduction-based feature extraction and classification on fleece fabric images

This work performs dimensionality reduction-based classification on fleece fabric-based images taken by a thermal camera. In order to convert images into the gray level, a principal component analysis-based dimension reduction stage was proposed. In addition, symmetric central local binary patterns were performed with the help of the proposed method by using the images after dimension reduction process. The local binary pattern features preserve local texture features from different kinds of defective image types. The experimental results showed that combined work has a great classification accuracy. The classification accuracy was reported using two different algorithms: Naive Bayes and K-nearest neighbor classifier.     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。     

采用深度图像推断的认知无线电频谱预测算法

针对认知无线电频谱预测效率不高的问题,提出了一种采用深度图像推断的频谱预测算法。该算法将序列预测问题转化为图像推断问题,构建深度图像推断网络实现无线电频谱预测。首先,对历史频谱数据进行预处理,提取频谱数据的变化特征;其次,使用双支路多层并联卷积神经网络提取数据的深度特征,经池化、合并操作输出多层次特征信息;最后,融合不同层次提取的特征信息,实现频谱数据的预测和生成。在真实频谱数据的多个频段对算法性能进行验证,实验结果表明算法能够有效地实现电磁频谱数据的预测,具有预测精度高的特点。     

基于主成分分析与集成距离的果蔬种类识别方法

针对传统果蔬识别率较低的问题,文中采用一种基于主成分分析和距离集成kNN相结合的识别方法。该方法从果蔬图像特征描述、特征降维、分类器设计3个角度出发实现果蔬识别。针对果蔬图片光不均匀、存在阴影等问题,采用K-means 聚类与二次分水岭相结合的方法对图片进行分割。针对果蔬识别模型识别率不高的问题,将所提取果蔬图像的颜色和纹理特征组成特征矩阵,采用PCA与集成kNN算法对该矩阵进行归一化及维数约简来得到低维分类特征,以实现对果蔬农产品的分类。试验结果表明,该算法在果蔬种类识别中识别率最高可达92.6%,且对光照变化、视角变化都具有较好的鲁棒性。     

核卷积神经网络研究与应用

利用核函数非线性映射的优势,结合卷积神经网络算法,提出一种基于核卷积神经网络（Kernel-Convolutional Neural Network , Kernel-CNN）的新的网络学习模型。该方法首先对数据预处理,其次利用核卷积神经网络对数据进行特征提取,最后,构建softmax分类器对数据进行分类。本网络将非线性映射引入卷积过程构成核卷积过程,通过核卷积过程进一步增强模型的特征提取能力,在MNIST手写数字库以及美国麻省理工学院提供的MIT-BIH心律失常数据库上实验验证,本文模型正确率分别为98.5%、97%,均较好于卷积神经网络和支持向量机,且本文模型具有较小的LOSS值。      

基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于可变形和深度可分离卷积的立体匹配

针对传统卷积神经网络(convolutional neural network, CNN)在立体匹配过程中存在信息 损失和耗时等问题,提出了基于可变形和深度可 分离卷积的立体匹配算法。在特征提取过程中,利用可变形卷积和可变形卷积核构建残差网 络,完成自适 应学习,扩大有效感受野,从而适应物体的不同形变,获取更详细的特征,减少信息损失, 提高了匹配精 度。在特征聚合阶段,采用深度可分离卷积构建深度可分离聚合网络,在空间维度和通道维 度分别进行卷 积运算,以降低参数量和计算复杂度,保证了匹配实时性。在相关的数据集上进行测试,实 验结果表明, 算法的网络运行时间缩短为1.60 s,在KITTI 2015和 KITTI 2012数据集上三像素错误率分别为2.84%和 2.79%,在SceneFlow数据集上端点误差为1.59 %。相比其他基准网络,减少了网络模型的运算量同时算法精度有很大提升。     

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,笔者在本篇文章中设计了一类全新的方法,本方法结合卷积神经网对字形相似的字智能化学习有效特征,并且采用了光学图像识别技术,另外,这类方法通过手写云平台中丰富的数据资源对模型进行高效的训练,同时根据频度统计形成特定的相似子集,以此有效的优化识别率。实验结果显示,和原有的支持向量机(SVM)以及最近邻分类器方法进行系统性的对比,本文所论述的方法能够显著提升识别率。