入侵检测系统中训练样本集的构造方法

以入侵检测系统中的分类器设计为例,研究分类器的训练样本构造问题。提出了一种适合样本分布不均匀、海量数据集的训练样本子集构造方法,首先通过保留边界样本,删除内部样本,对样本数量较多的类,进行选择样本;然后对样本数量较少的类构造虚拟样本。通过这两个过程得到的训练子集样本数量较少,且样本分布均匀。     

基于样本差异度的SVM训练样本缩减算法

为了对大规模训练样本进行缩减,提出了k近邻向量,给出了一种新的样本差异度的计量方法,证明了该差异度关于噪声识别和类边界距离的几个性质。依据此性质提出了一个高效的SVM训练样本缩减算法,算法首先根据样本差异度的性质剔除噪声样本,然后用类间差异度近似表示类边界距离,结合样本相似性,直接从原始样本空间剔除次要的训练样本。仿真结果表明,减样算法可以有效缩减样本,提高训练效率。     

入侵检测系统中基于凝聚聚类算法的训练样本集的构造

本文提出了一种入侵检测系统中训练样本集的构造方法,首先通过保留边界样本和删除内部样本进行样本选择,然后使用遗传算法与凝聚聚类算法相结合的方法对样本数量较少的类构造虚拟样本。这样得到的训练子集样本数量少,而且分布均匀。     

支持向量机的一种改进的样本简约方法

经典的支持向量机（SVM）训练算法的实质是求解一个凸二次规划问题,当训练样本很多时,算法的速度会比较慢,且如果两类样本过分交叉,又会降低支持向量机的泛化能力。为了加快支持向量机的训练速度和改善其泛化能力。文章提出了一种改进的样本简约方法。该方法首先抽取边界样本,然后对边界样本中可能存在的噪音、孤立点进行修剪,由此得出最终的训练样本。实验结果表明,该简约方法不仅节约了训练时间,而且改善了支持向量机的泛化性能。     

基于二分网格的支持向量预选取算法

在SVM训练过程中，二次规划问题的求解制约着SVM应用于大规模数据．SVM的决策函数由邻近分类超平面的部分训练样本——支持向量决定．基于减小训练样本数目、加快SVM训练过程的目的，提出一种基于二分网格的边界样本提取方法．数据仿真实验表明，该方法具有边界样本提取准确、效率高、速度快、能够自适应样本分布的优点，而且不会显著降低SVM分类器的性能．     

基于参数选取影响BP神经网络训练结果的分析

模式识别包含了两个方面的内容：样本训练和样本识别。而样本识别的前提则是样本训练,当然训练样本多并具有代表性当然好,但并非越多越优。重要的是在训练神经网络的过程中,权值、阈值等各个参数应如何确定才有利于训练的效率。正是针对使用一组简单样本对神经网络进行训练,并且采用变化参数值的方法观察其训练效果,从而得出不同的输出结果,以及曲线分析图。进而进行对比总结,找出最优的参数设置。而且实验方法和结论有利于应用于其他识别系统的开发。     

基于参数选取影响BP神经网络训练结果的分析

模式识别包含了两个方面的内容:样本训练和样本识别。而样本识别的前提则是样本训练,当然训练样本多并具有代表性当然好,但并非越多越优。重要的是在训练神经网络的过程中,权值、阈值等各个参数应如何确定才有利于训练的效率。正是针对使用一组简单样本对神经网络进行训练,并且采用变化参数值的方法观察其训练效果,从而得出不同的输出结果,以及曲线分析图。进而进行对比总结,找出最优的参数设置。而且实验方法和结论有利于应用于其他识别系统的开发。     

侦破神经网络训练中矛盾样本的模糊数学方法

基于模糊数学率，提出了一个从神经网络训练样本中侦破矛盾样本的方法，建立了其数学模型，并用此方法对从工厂取得的测量数据样本进行了检查，找到了对训练及检验结果影响很大的矛盾样本，并对剔除矛盾样本前后建立的模型进行了对比分析，结果表明用此方法侦破出矛盾样本并加以剔除后以大大改善训练及检验的结果，由此建立的模型更为准确。     

基于最近邻规则的神经网络训练样本选择方法

训练集中通常含有大量相似的样本, 会增加网络的训练时间并影响学习效果. 针对这一问题, 本文将最近邻法 (Nearest neighbor, NN) 简单快捷和神经网络高精度的特点相结合, 提出了一种基于最近邻规则的神经网络训练样本选择方法. 该方法考虑到训练样本对于神经网络性能的重要影响, 利用改进的最近邻规则选择最具有代表性的样本作为 神经网络的训练集. 实验结果表明, 所提出的方法能够有效去除训练集中的冗余信息, 以少量的样本获得更高的识别率, 减少网络的训练时间, 增强网络的泛化能力.     

基于广义置信度的样本选择算法

对模式识别系统而言,不同的训练样本在建立模式类模型时所起的作用不同,因此必须对训练样本进行选择。而在训练样本中,边界样本的判定方式以及训练样本中包含边界样本数量的多少对分类的精度起主要作用。为此,结合基于模板匹配的脱机手写汉字识别,定义了一种通过广义置信度判定边界样本的方法,并且在此基础上建立了基于广义置信度的训练样本选择算法。通过在脱机手写汉字数据库HCL2004上进行实验,由该算法选择出的训练样本集在训练样本数减少的同时,使得系统识别率有了较大的提高,从而证实了该算法的有效性。     

混合样本融合边缘信息的单样本人脸识别研究

在进行人脸识别的时候,训练样本数量对识别率的大小影响非常大,由于存储技术和训练样本采集困难等诸多条件的限制,如何利用一幅人脸有用的信息尽可能地生成并包含更多的人脸信息成为了学术界的难点。针对该问题,提出一种按不同权值将原始图像和虚拟样本混合后再融合其人脸不同灰度值的边缘信息,构成新的训练样本。首先将原始样本灰度处理后生成轴对称图像和镜像图像,按不同权值混合。再提取混合后的边缘信息按不同灰度值与混合后的图像融合。使单幅人脸图像包含更多的特征信息。实验结果表明,混合权值之和大于1并且融合其边缘信息后生成的训练样本,相比原始样本信息的人脸识别率能提升2%~12%,表明该方法能有效地提高人脸识别率。     

基于模糊决策和MSD的单样本人脸识别算法

当每个人只有一个训练样本时,最大散度差鉴别分析在人脸识别中的识别性能会降低,为了解决这一问题,提出了基于模糊决策和最大散度差鉴别分析的单样本人脸识别算法。通过对每个训练样本进行适当的分块,从而获得较多的训练样本个数,在这些新的训练样本集上应用类内中间值最大散度差鉴别分析算法得到最优投影矩阵,并基于这个最优投影矩阵可以计算训练样本和待测试样本的特征。对模糊决策方法进行分类。在著名的ORL和FERET人脸数据库上的大量实验结果表明,该算法可以提高识别率。     

基于2DGabor小波与BDPCA的掌纹识别

提出一种解决双向主成分分析(BDPCA)中小样本问题的掌纹识别方法。把掌纹感兴趣区域图像经过2DGabor小波变换后得到的每个图像都作为独立的样本,以增加每一类掌纹的样本数。设计一种基于样本散度矩阵的改进BDPCA算法进行特征提取。采用训练样本的k值矩阵代替训练样本的平均值矩阵,从而获得最优投影矩阵。将2DGabor与改进的BDPCA算法相结合进行掌纹识别。在PolyU掌纹库中的实验结果表明,该方法不仅减少了不同训练样本对识别率的影响,而且能够提高识别率,甚至当每类训练样本数仅为1时,也能得到较高的识别率,有效解决了掌纹识别的小样本问题。     

基于实时样本采集的个性化手写汉字输入系统设计

手写汉字识别是手写汉字输入的基础。目前智能设备中的手写汉字输入法无法根据用户的汉字书写习惯,动态调整识别模型以提升手写汉字的正确识别率。通过对最新深度学习算法及训练模型的研究,提出了一种基于用户手写汉字样本实时采集的个性化手写汉字输入系统的设计方法。该方法将采集用户的手写汉字作为增量样本,通过对服务器端训练生成的手写汉字识别模型的再次训练,使识别模型能够更好地适应该用户的书写习惯,提升手写汉字输入系统的识别率。最后,在该理论方法的基础上,结合新设计的深度残差网络,进行了手写汉字识别的对比实验。实验结果显示,通过引入实时采集样本的再次训练,手写汉字识别模型的识别率有较大幅度的提升,能够更有效的满足用户在智能设备端对手写汉字输入系统的使用需求。     

基于样本扩张和双子空间决策融合的单样本人脸识别算法

对基于滑动窗口进行样本扩充的单样本人脸识别方法进行了改进,改进后算法一方面在识别阶段采用了比原算法更少的特征,提高了识别的时间效率;另一方面在训练阶段获得原始样本的镜像样本作为附加的训练、注册集合,通过学习训练形成双子空间,识别结果由双子空间通过决策融合得到,提高了对测试样本变化的鲁棒性。在ORL人脸库和Feret子集人脸库上的实验表明,该算法在识别率上优于同类算法。     

On solving the face recognition problem with one training sample per subject

The lack of adequate training samples and the considerable variations observed in the available image collections due to aging, illumination and pose variations are the two key technical barriers that appearance-based face recognition solutions have to overcome. It is a well-documented fact that their performance deteriorates rapidly when the number of training samples is smaller than the dimensionality of the image space. This is especially true for face recognition applications where only one training sample per subject is available. In this paper, a recognition framework based on the concept of the so-called generic learning is introduced as an attempt to boost the performance of traditional appearance-based recognition solutions in the one training sample application scenario. Different from contemporary approaches, the proposed solution learns the intrinsic properties of the subjects to be recognized using a generic training database which consists of images from subjects other than those under consideration. Many state-of-the-art face recognition solutions can be readily integrated in the proposed framework. A novel multi-learner framework is also proposed to further boost recognition performance.Extensive experimentation reported in the paper suggests that the proposed framework provides a comprehensive solution and achieves lower error recognition rate when considered in the context of one training sample face recognition problem.     

基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。进一步,为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流行鉴别学习算法。该算法首先将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互补重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。     

应用于小样本的差异字典人脸识别

针对人脸识别中每个人只有小规模训练样本的情况,在基于表示的分类(representation based classification,RBC)方法基础上使用由无关类组成的差异字典。差异字典一般由具有面部姿态变化与表情变化的人脸及其基准脸构成,需要训练样本为基准脸才能得到较好的识别效果。为防止小规模训练样本中有非基准脸使差异字典出现识别效果下降的情况,使用灰度对称脸将训练样本中的非基准脸转换为近似基准脸,进行差异字典的训练。实验结果表明,该人脸识别方法在小样本情况下的ORL、GT(Georgia tech)、FERET人脸库上具有良好的表现。     

基于位平面图像与2DMSLDA的单样本人脸识别

在进行单训练样本人脸识别时,基于每人多个训练样本的传统人脸识别算法效果通常不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对以上问题进行了分析研究,提出了一种新的样本扩充方法,即：采用位平面图像分解法,将每幅样本图像分解为8幅,进而通过各种合成策略构造多幅样本图像。使用一种更加稳定的二维最大散度差线性鉴别分析方法（2DMSLDA）对上面获得的新样本图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。