非平坦函数概率密度估计

针对非平坦函数的概率密度估计问题,通过改进支持向量机(support vector machine,SVM)概率密度估计模型约束条件的形式,并引入多尺度核方法,构建了一种单松弛因子多尺度核支持向量机概率密度估计模型。该模型采用合并的单个松弛因子来控制支持向量机的学习误差,减小了模型的计算复杂度;同时引入了多尺度核方法,使得模型既能适应函数剧烈变化的区域,也能适应平缓变化的区域。基于几种典型非平坦函数进行概率密度估计实验,结果证明,单松弛因子概率密度估计模型比常规支持向量机概率密度估计模型具有更快的学习速度;且相比于单核方法,多尺度核支持向量机概率密度估计模型具有更优的估计精度。     

基于Parzen核估计的最大后验概率分类方法

从概率密度函数的角度出发,利用Parzen窗法估计总体样本的概率密度分布,将核方法和Parzen窗法引入最大后验概率方法中,提出一种基于Parzen核估计的最大后验概率的高性能多分类方法。该方法不需要考虑样本数据的具体分布情况,能够得到分类的可信度,给出推理的不确定性依据。在3个国际标准UCI数据集和3个人脸数据集上的实验结果表明,该方法具有较好的分类效果。     

基于最小分类错误率和Parzen窗的降维方法

提出了一种基于最小分类错误率和Parzen窗的降维方法,利用Parzen窗估计数据的概率密度分布;通过计算各特征维度下的分类错误率,判断该特征维度对目标分类的贡献度;依据贡献度大小进行特征维度选择从而达到降维的目的。     

基于最大熵估计的支持向量机概率建模

提出一种基于最大熵估计的支持向量机概率建模方法．针对传统的支持向量机方法不能提供后验概率的输出问题，从信息熵的角度采用最大熵估计方法，直接对支持向量机输出进行后验概率建模．实验结果表明，与同类算法相比，所提出的基于最大熵估计的概率建模方法具有优良的性能．     

一种判断类间空间分布情形的有效方法

层次结构设计是层次支持向量机应用中的关键问题,不同层次结构下,层次支持向量机的分类性能有很大差别.分析了层次支持向量机及其存在的问题,提出了一种有效判断类间空间分布情形的简单方法.仿真试验表明,基于该方法设计的层次支持向量机与基于传统方法设计的层次支持向量机相比,具有较高的分类精度.     

模糊多核支持向量机研究进展

模糊多核支持向量机将模糊支持向量机与多核学习方法结合,通过构造隶属度函数和利用多个核函数的组合形式有效缓解了传统支持向量机模型对噪声数据敏感和多源异构数据学习困难等问题,广泛应用于模式识别和人工智能领域.综述了模糊多核支持向量机的理论基础及其研究现状,详细介绍模糊多核支持向量机中的关键问题,即模糊隶属度函数设计与多核学习方法,最后对模糊多核支持向量机算法未来的研究进行展望.     

核对齐多核模糊支持向量机

支持向量机（SVMs）是当前被广泛使用的机器学习技术,其通过最优分割超平面来提高分类器的泛化能力,在实际应用中表现优异。然而SVM也存在易受噪声影响,以及核函数选择等难题。针对以上问题,本文将基于核对齐的多核学习方法引入到模糊支持向量机（fuzzy support vector machine, FSVM）中,提出了模糊多核支持向量机模型（multiple kernel fuzzy support vector machine,MFSVM）。MFSVM通过模糊粗糙集方法计算每一样例隶属度;其次,利用核对齐的多核方法计算每一单核权重,并将组合核引入到模糊支持向量机中。该方法不仅提高了支持向量机的抗噪声能力,也有效避免了核选择难题。在UCI数据库上进行实验,结果表明本文所提方法具有较高的分类精度,验证了该方法的可行性与有效性。     

基于统一概率模型的每人单张图象的人脸识别研究

人脸识别不同于许多其他的传统模式识别问题(例如字符识别)。在传统的模式识别应用中，常常分类的类数比较少，而每一类的训练样本非常多。通常的统计模式识别方法基于内部插值的思想，根据各类中的样本情况，或者估计各类的类条件概率密度(如最大似然估计、Parzen窗估计等)，或者     

基于局部多核支持向量机的视频镜头边界检测

提出了一种基于局部多核支持向量机的视频镜头边界检测方法.利用视频图像相邻帧的时空信息构建视频中间特征,在此基础上利用局部多核支持向量机将视频帧划分为边界帧和非边界帧.为了提高基于全局优化的多核支持向量机的检测精度,利用局部敏感哈希算法将视频帧投影全哈希子空间,结合多核学习方法为各个哈希子空间构建局部多核支持向量机,利用SMOTE上采样技术解决了视频图像边界帧和普通帧的不平衡问题.试验结果表明,本文提出的镜头边界检测方法的金全率和查准率得到了提高.     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

基于样本密度加权的神经网络分类器在文本分类中的应用

为了提高文本分类精度,根据训练集的样本密度的不同,提出了一种基于k最近邻密度估计的样本加权算法,从而使得样本密度较大的样本权重得到加强,处于样本密度平均水平的样本权重保持不变,而样本密度较小的样本权重得到减弱.并将这种方法所构成的神经网络分类器用于文本分类.实验结果表明,这种方法可以在一定程度上提高文本分类精度,优于原始的未加权的分类方法.     

基于概率密度的多基阵声目标被动定位算法研究

采用一种基于概率密度的方法对常规多站时差定位法进行改进,并给出该方法的计算推导公式.该算法在获取目标位置初始值的基础上,将目标方位看成是满足一定概率密度的多个测量子集,寻找出多个子集共同密度对应的最大点,即为目标的最终位置.通过实测数据验证,实验结果表明,在合理布置辅阵位置的基础上,基于概率密度的定位算法可以大幅度降低定位误差,从而提高定位精度.尤其是在目标远距离飞行时,定位精度明显优于常规时差定位法,具有重要的实用价值.     

基于随机分布估计的点云密度提取

针对目前密度提取方法提取的密度信息不能表现点云局部分布信息和分布随机性的缺陷,提出结合随机分布估计的密度提取方法。该方法采用分块计数法得到每个小分块的密度,结合点云总体的密集度得到一个能够反映点云局部积聚特征的参数,为判另Ⅱ点云分布的随机性、均匀性等提供较好的特征依据。     

基于多尺度分析和分形的人群密度估计方法

人群的密度估计对于建筑物的设计和人群安全至关重要。论文提出了一种新的人群密度自动估计方法。对于低密度人群图像采用基于像素统计的方法,对于较高密度人群图像采用基于多尺度分析和分形的纹理分析方法,并应用支撑向量机进行人群密度等级分类。对人群图像集的实验表明,该方法较以前的方法更为准确有效。     

一种基于图像处理的人群密度估计方法

公共场景监控下的人群密度估计是公共安全管理中的一个重要内容,因此,对基于图像处理的智能化人群密度估计方法进行了研究。结合使用像素统计和纹理分析的方法,从定性和定量两个方面确定了人群人数和人群密度等级。针对大场景的人群密度监控情况,提出了根据实际场景在图像中的比例将大场景分成所需的小区域,然后对每个子区域进行人群密度估计,从而完成全场景的人群密度估计。实验结果表明这种方法简单、有效、实用,便于在实际中的应用,为机场、地铁、车站等公共场所的预警系统提供有力的帮助。     

基于聚类和密度的KNN分类器训练样本约减方法

提出了一种基于聚类和密度的KNN分类器训练样本约减方法。使用KNN分类器进行文本分类的时侯,由于训练样本在类别内分布的不均匀,会造成分类准确性的下降,而且相似度计算量非常大。新方法根据训练样本的密度采用聚类的方法,约减了一定数量的“噪声”样本。实验表明,使用该方法能同时提高KNN分类器的准确率和效率。     

膜结构找形分析中的混合法

在膜结构设计过程中一个很重要也是不可或缺的过程就是找形分析.常用的找形方法有力密度法、动力松弛法和非线性有限元法.力密度法原理简单但找形结果往往不能满足精度要求;非线性有限元法结果精度高但存在确定初始坐标问题和非线性系统的收敛问题.针对力密度法和非线性有限元法的不足,在综合以上两种方法后得到了混合法对膜结构进行找形,并在Matlab和Ansys中编写了相应的程序模拟实现了混合法找形.结合两个实际工程说明了混合法找形可以应用于大型复杂柔性体系的找形,同时证明了混合法找形的先进性和可行性.     

烟雾的快速模拟

文章提出利用粒子系统和浓度场相结合的方法来模拟烟雾的运动与扩散.在粒子属性中加入一浓度函数,通过粒子作用半径及浓度函数的变化模拟烟雾的扩散,还通过粒子的运动及分裂反映风力场的作用.与原有的粒子系统相比,不仅增加了对烟雾扩散的描述,还可以用少量的粒子生成连续的浓度场,在很大程度上提高了计算速度.同时文章还给出了一种快速的烟雾绘制方法.     

Pseudo two-dimensional shape normalization methods for handwritten Chinese character recognition

The nonlinear normalization (NLN) method based on line density equalization is popularly used in handwritten Chinese character recognition. To overcome the insufficient shape restoration capability of one-dimensional NLN, a pseudo two-dimensional NLN (P2DNLN) method has been proposed and has yielded higher recognition accuracy. The P2DNLN method, however, is very computationally expensive because of the line density blurring of each row/column. In this paper, we propose a new pseudo 2D normalization method using line density projection interpolation (LDPI), which partitions the line density map into soft strips and generate 2D coordinate mapping function by interpolating the 1D coordinate functions that are obtained by equalizing the line density projections of these strips. The LDPI method adds little computational overhead to one-dimensional NLN yet performs comparably well with P2DNLN. We also apply this strategy to extending other normalization methods, including line density projection fitting, centroid-boundary alignment, moment, and bi-moment methods. The latter three methods are directly based on character image instead of line density map. Their 2D extensions provide real-time computation and high recognition accuracy, and are potentially applicable to gray-scale images and online trajectories.