想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

一种近似Markov Blanket最优特征选择算法

特征选择可以有效改善分类效率和精度,传统方法通常只评价单个特征,较少评价特征子集.在研究特征相关性基础上,进一步划分特征为强相关、弱相关、无关和冗余四种特征,建立起Markov Blanket理论和特征相关性之间的联系,结合Chi-Square检验统计方法,提出了一种基于前向选择的近似Markov Blanket特征选择算法,获得近似最优的特征子集.实验结果证明文中方法选取的特征子集与原始特征子集相比,以远小于原始特征数的特征子集获得了高于或接近于原始特征集的分类结果.同时,在高维特征空间的文本分类领域,与其它的特征选择方法OCFS,DF,CHI,IG等方法的分类结果进行了比较,在20 Newsgroup文本数据集上的分类实验结果表明文中提出的方法获得的特征子集在分类时优于其它方法.     

面向肺癌CAD系统的感兴趣区域特征选择与分类算法

本文重点研究ROI 的特征提取与分类方法．首先,根据医学征象对ROI 进行特征提取;为了提高 分类的准确性,采用概率分布可分性对原始提取的特征进行特征选择．然后,利用SVM 对选择的特征进行定 量描述;采用特征量化参数对Mahalanobis 距离进行加权改进,加权的Mahalanobis 距离使类间差别明显增大． 最后采用加权改进后的Mahalanobis 距离将ROI 分类为结节或非结节．利用所提ROI 特征选择和分类算法进 行肺结节检测实验;肺结节检测灵敏度为94.6%,漏诊率为5.4%,可以为医生进行肺癌早期诊断提供帮助信 息．     

一种角度无关的Gabor-SVM昆虫识别

传统的昆虫识别方法费时费力,应用图像处理技术提取昆虫图像视觉特征,实现昆虫机器自动识别,可以解决传统方法的不足.本研究依据纹理是昆虫分类的重要特征,应用角度无关的Gabor滤波器提取昆虫图像的纹理特征,然后用SVM算法分类,实验结果表明:角度无关Gabor-SVM昆虫识别方法正确率为80%,是比传统Gabor和灰值游程矩阵更好的识别算法,该方法能较准确识别昆虫,省时省力.     

基于模糊熵特征选择算法的SVM在漏洞分类中的研究

漏洞的分类能够有效提高漏洞分析和修复的效率,其分类的方式是按照漏洞的特征进行,将漏洞特征的提取转换为漏洞文本特征的提取.针对漏洞的描述性文本较短,特征选择模糊等缺点,提出了一种基于模糊熵特征选择算法的SVM的漏洞分类方法对漏洞分类进行研究.该方法结合模糊熵理论和支持向量机分类方法的优点,设计类间类内隶属度函数来体现特征项的分布情况,并结合模糊熵的计算作为漏洞特征提取的依据,通过SVM进行分类学习,对漏洞进行分类.仿真实验表明,基于模糊熵特征选择算法的SVM的漏洞分类方法实际可行,且分类准确率高于基于KNN和最大熵模型的分类方法,具有一定的研究意义.     

城管案件短文本特征生成与选择方法及其应用

以智慧城市管理应用系统中的案件上报短文本为对象,研究有效的特征生成和特征选择方法,实现案件快速准确地自动分类。根据案件描述短文本的特点,提出一种互邻特征组合算法,以生成描述力更强的组合特征;为进一步约减特征并优化特征空间,提出一种新的隶属度函数来为分类体系中的每个类别构建一个类别特征域,然后利用类别特征域进一步优化选择原始特征与组合特征,最终得到对分类贡献最高的特征表示集合。以南宁市青秀区"城管通"App中的案例分类为实例,验证提出的特征生成及选择方法,实验表明相对于文档频率、互信息和信息增益,提出的方法对案件分类的准确率更高,引入组合特征能显著提升分类准确率。     

基于可区分二进制局部模式特征的蛾类昆虫识别

蛾类昆虫多为农业害虫,自动识别蛾类昆虫种类对虫害预测预报意义重大。针对现有昆虫自动识别方法集中在目以上层次昆虫识别难以实现目内昆虫识别,提出一种基于纹理特征的蛾类昆虫识别方法。应用一种改进的局部二进制模式提取昆虫图像特征,对提取得到的特征矩阵按照蛾类昆虫类别抽取本质维数,最后用KNN算法实现蛾类昆虫识别。实验结果表明:可区分CLBP能够对昆虫原始图像直接提取特征并获得优异的识别性能,同时,能够有效降低特征矩阵的维数,从而缩小存储空间,降低相似性比较的计算复杂度。该研究拓宽了计算机视觉技术应用范围,有助于实现农业病虫害的尽早预测。     

邻域粗糙集在轮对踏面缺陷图像特征选择的应用

邻域粗糙集理论能够直接处理数值性数据,无需离散化,已经被应用在属性选择和分类器设计中;文中在分析了轮对踏面缺陷图像的成像特征的基础上,首先从缺陷样本中提取了16个特征值,然后基于邻域粗糙集知识约简的思想,提出了一种轮对踏面缺陷图像特征的选择方法,实现了对原始特征的优化选择,利用径向基函数神经网络和选择的特征值对缺陷进行分类;实验结果表明,该方法可将识别的原始特征下降到原始特征数目的20%左右,擦伤识别率提高了68%。     

基于Gabor滤波和类内PCA的昆虫识别

针对昆虫识别率不高的问题,提出一种基于Gabor滤波和类内PCA的昆虫识别方法。首先对经过预处理的昆虫图片按类别进行Gabor滤波,提取Gabor特征,然后利用PCA进行降维,提取特征向量,最后采用k近邻分类方法识别昆虫。实验表明,该方法识别率较高,在15种昆虫图片集上进行测试,识别率达到95%,优于基于PCA的识别方法、基于Gabor滤波和PCA的昆虫识别方法。     

一种基于变分相关向量机的特征选择和分类结合方法

相关向量机(Relevance vector machine, RVM)是一种函数形式等价于支持向量机(Support vector machine, SVM)的全概率模型,利用变分贝叶斯(Variational Bayesian, VB)方法求解的RVM可以给出所有参数的后验分布. 进一步,通过对样本所在原始特征空间的稀疏化,基于线性核的RVM可以在分类的同时实现对原始特征的线性选择. 本文在传统VB-RVM的基础上提出一种特征选择和分类结合方法. 该方法采用Probit模型将分类问题与回归问题有机地结合起来, 同时,通过对特征维的幂变换扩展,不仅在分类时增加了样本的信息量, 可以构造非线性分类面,而且实现了非线性特征选择的功能. 通过对仿真数据和实测数据分别进行实验, 证明了该特征选择和分类结合方法的实用性和有效性.