基于标准阈值α和适用性阈值β的模糊分类

提出使用标准阈值α和适用性阈值β（α∈[0,1]且β∈[0,1]），从模糊分类问题的模糊化数据中产生模糊规则。用这个方法处理“星期六早晨问题”，比现有方法，分类准确率更高，而产生模糊规则较少。     

基于粒子群算法的支持向量机训练和实现方法

在支持向量机的实现过程中,如果用于训练的样本数很大,则标准的二次型优化技术就很难应用。针对在大规模训练中算法收敛速度慢、复杂程度高等问题,提出用粒子群算法求解其中的二次规划问题的思想。试验结果表明,用粒子群算法来训练样本集具有容易实现、节省计算成本和提高收敛速度等优点。该方法已经应用在模式识别、数据挖掘、系统辨识与控制等领域。     

基于决策二叉树的多类支持向量机在大气质量评定中的应用

经典的支持向量机(Support Vector Machine，简称SVM)是针对二类分类的，在解决大气质量等级这种典型的多类分类问题时存在困难，本文提出了基于决策二叉树支持向量机的大气质量分类算法，将分类器分布在各个结点上，从而构成了多类支持向量机，减少了分类器数量和重复训练样本的数量。实验结果表明该方法能够正确地对大气质量进行识别。     

图像检索中一种有效的SVM相关反馈算法

提出受限随机选择方法.首先对图像进行相似性排序;然后使用一个阈值限定随机选择的范围;最后在该范围内进行划分,在子范围内通过随机选择来扩大训练样本,较好地解决了小样本问题.另外,动态计算多个SVM分类器的权值,融合分类结果,较好地解决了相关反馈过程中用户的不同喜好问题.实验结果表明了该方法的有效性.     

一种新的基于密度的k-最近邻文本分类器训练样本约减方法

本文针对k-最近邻方法分类效率不高的问题,提出了一种基于密度的训练样本集约减算法.该方法通过计算训练样本集中各类别的类别密度及整个训练集的平均密度,去掉高密度类别中的部分样本,使训练样本集具有更好的代表性.实验表明,该方法不仅提高了k-最近邻方法的分类效率,而且对其分类准确率也有一定程度的提高.     

基于加权支持向量机的网络入侵检测研究

在网络入侵检测中,数据类别不均衡训练集的使用将产生分类偏差,主要原因在于对每个训练样本的错误分类的惩罚系数是相等的.加权支持向量机对每个错误分类样本的惩罚系数是不一样的,这对小样本来说提高了分类精度,克服了常规SVM算法不能灵活处理样本的缺陷.但这是以大样本分类精度的降低以及总分类精度的下降为代价的.实验结果证明,将加权支持向量机用于网络入侵检测中是可行的、高效的.     

非均匀环境下机载雷达STAP方法

空时自适应处理(STAP)是机载雷达信号处理中的一项关键技术,但其应用的实际杂波环境通常是非均匀的.本文对非均匀环境下各STAP方法进行了科学分类,并详细分析了各方法的内在机理及相互间的内在联系,同时总结评述了各方法的优缺点,最后指出了机载雷达非均匀STAP方法中有待于进一步研究和完善的相关问题.     

基于训练集重组的人脸识别算法研究

传统的人脸识别算法都要依赖于面部特征的严格配准来归一化人脸以便提取人脸特征,而在非限定条件系统中,传统识别算法提取特征偏差较大,且容易受姿态、表情、光照等噪声干扰。基于此,提出先对训练图像进行特征配准,再重建训练样本用于识别。实验结果表明,本方法较传统的识别算法具有较高的识别性能。     

基于PCA和LCN单样本光照不变人脸识别研究

传统的基于PCA(Principal Component Analysis)和局部对比度正则化的单样本光照不变人脸识别,使用直方图均衡化和局部对比度正则化削弱不均匀光照的影响,使用马氏距离度量数据间的距离,使用均值滤波器计算图像各像素邻域的期望。在PIE(Pose Illumination Expression)和Extended Yale B人脸数据库上,随机抽取单训练样本评估多种光照预处理方法、距离度量和两种计算像素邻域期望的方法。实验结果表明,使用局部和全局对比度正则化进行光照预处理,距离度量使用简化的马氏距离,使用二维高斯滤波器计算像素邻域的期望可以达到最好的识别效果。     

基于聚类的加速k-近邻分类方法

实际生活中,经常会遇到大规模数据的分类问题,传统k-近邻k-NN(k-Nearest Neighbor)分类方法需要遍历整个训练样本集,因此分类效率较低,无法处理具有大规模训练集的分类任务。针对这个问题,提出一种基于聚类的加速k-NN分类方法 C_kNN(Speeding k-NN Classification Method Based on Clustering)。该方法首先对训练样本进行聚类,得到初始聚类结果,并计算每个类的聚类中心,选择与聚类中心相似度最高的训练样本构成新的训练样本集,然后针对每个测试样本,计算新训练样本集中与其相似度最高的k个样本,并选择该k个近邻样本中最多的类别标签作为该测试样本的预测模式类别。实验结果表明,C_k-NN分类方法在保持较高分类精度的同时大幅度提高模型的分类效率。