基于整体特征的快速英文字母识别方法

文章提出了一种基于整体特征的小写英文字母识别方法.首先根据字母图像的赋值背景提取其整体特征,然后构建7个模板进行模板匹配.该方法不需要对图像作复杂的细化处理、轮廓提取等,减少了可能带来的误识和拒识,也不需要现有神经网络方法的长期训练,因而简单快速.同时,不同字体的字母图像其整体特性基本相同,因此识别率较高.     

中国民族乐器的特征值提取和分类

文章处理的是中国民族乐器的识别分类问题.提出了一种基于合适的音频特征值选择方法,该方法在基于MPEG_7标准的声学特征,在特征值的时间特性上进行改造,并加入改进后的特征值.从提取的音频特征值数据集选择K-最近邻算法.特别是对没有加入新特征值和加入新特征值后生成分类器模型的性能进行了比较.实验结果证明新特征值的加入提高了分类器的F1度量值.     

基于特征选择的集成分类器抗噪性能分析

特征选择有助于增强集成分类器成员间的随机差异性,从而提高泛化精度。研究了随机子空间法（RandomSub-space）和旋转森林法（RotationForest）两种基于特征选择的集成分类器构造算法,分析讨论了两算法特征选择的方式与随机差异程度之间的关系。通过对UCI数据集引入噪声,比较两者在噪声环境下的分类精度。实验结果表明：当噪声增加及特征关联度下降时,基本学习算法及噪声程度对集成效果均有影响,当噪声增强到一定程度后。集成效果和单分类器的性能趋于一致。     

基于综合特征的车辆检测识别系统

随着信息技术和智能交通的迅速发展,自动的车辆检测识别成为不可或缺的技术。由于基于单一特征和单车辆的识别并不能满足实际中的应用要求,因此提出了多特征多车辆的检测识别算法,利用基于灰度对称,形状特征和光流强度特征的提取,通过基本的图像处理算法,最终由综合特征为基础得出车辆的识别检测结果,利用基于VC＋＋6．0的软件系统开发出车辆检测识别系统,通过实验对照,由单一特征和综合特征的检测不同结果获得实验数据,通过检测算法将视频序列图像中的车辆信息自动识别提取出来并加以标记。实验结果表明系统能够适应多变的车型和环境信息,通过识别结果准确性的分析,得出结论：针对不同的车型有较好的鲁棒性,能够满足实际智能交通控制平台的构建的基本要求。     

面向软件动态演化的需求建模及其模型规范化

针对目前需求工程阶段对软件动态演化考虑不足的现状,在分析软件动态演化面临的挑战的基础上,设计了面向动态演化的需求元模型(dynamic-evolution-orientedrequi rements meta-model,DERM)。该元模型以特征为基本部件,按特征组合的方式建立需求模型,需求模型由行为特征和属性特征组成。行为特征被区分为计算行为特征和交互行为特征,以实现计算和交互的相对隔离;属性特征通过其作用域,指定其在行为特征模型中的作用范围,从而将行为特征模型和属性特征模型统一为需求模型。在此基础上,讨论了需求模型的参照完整性、依赖一致性和互斥一致性,并进一步把需求模型规范化为需求模型第一范式到第三范式,需求模型规范化的过程提供了一种保证需求模型一致性的方法。最后通过案例研究,表明了该方法的可行性及其对软件动态演化的有效支持。     

K-split Lasso:有效的肿瘤特征基因选择方法

随着DNA微阵列技术的出现,大量关于不同肿瘤的基因表达谱数据集被发布到网络上,从而使得对肿瘤特征基因选择和亚型分类的研究成为生物信息学领域的热点。基于Lasso(least absolute shrinkage and selection operator)方法提出了K-split Lasso特征选择方法,其基本思想是将数据集平均划分为K份,分别使用Lasso方法对每份进行特征选择,而后将选择出来的每份特征子集合并,重新进行特征选择,得到最终的特征基因。实验采用支持向量机作为分类器,结果表明K-split Lasso方法减少了冗余特征,提高了分类精度,具有良好的稳定性。由于每次计算的维数降低,K-split Lasso方法解决了计算开销过大的问题,并在一定程度上解决了"过拟合"问题。因此K-split Lasso方法是一种有效的肿瘤特征基因选择方法。     

可控的高度规整三角网格生成算法

本文提出了一种新的用户可控的高度规整三角网格生成算法.通过在网格表面上构造3个标量场,利用其等值线相交生成高度规整的三角网格.算法借助N-对称方向场来指导生成网格的边方向,在网格表面指定密度场来控制采样密度,同时还提供了特征对齐和对带边界模型的处理能力.所有的控制需求都被纳入标量场求解框架中统一优化.实验表明,本文的方法能够满足多种用户控制需求,生成高度规整的三角网格.     

恶意软件鉴别技术及其应用

随着互联网技术的发展和安全形势的变化,恶意软件的数量呈指数级增长,恶意软件的变种更是层出不穷,传统的鉴别方法已经不能及时有效的处理这种海量数据,这使得以客户端为战场的传统查杀与防御模式不能适应新的安全需求,各大安全厂商开始构建各自的"云安全"计划。在这种大背景下,研究恶意软件检测关键技术是非常必要的。针对恶意软件数量大、变化快、维度高与干扰多的问题,我们研究云计算环境下的软件行为鉴别技术,探讨海量软件样本数据挖掘新方法、事件序列簇类模式挖掘新模型和算法及在恶意软件鉴别中的应用,并构建面向云安全的恶意软件智能鉴别系统原型以及中文钓鱼网站检测系统架构。     

多特征自适应融合的粒子滤波跟踪算法

针对跟踪过程中目标形态不断变化或部分遮挡导致鲁棒性差的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法.该算法从视觉特征集中选取了描述能力强的2种特征,并将其按照与目标模型的多尺度相似度进行线性融合;为了减小跟踪漂移,通过计算当前目标模型与初始目标模型的多尺度相似度自适应地更新目标模型.大量仿真实验结果表明,文中算法可以鲁棒地跟踪到部分遮挡和形态变化的运动目标.