基于模糊自适应遗传算法的数据校正方法

针对数据校正中的非线性数据分类还比较困难的问题,提出表上作业法,结合遗传算法同时进行数据协调与过失误差侦破.并将模糊数据协调模型中的三角形约束引入遗传算法界定其变异上下限,还对交叉算子进行自适应改进,从而形成了基于模糊自适应的数据校正方法并用该方法对一个稳态多组分精馏过程进行大量仿真试验,结果表明了算法的有效性.     

沧炼互动主持式班组安全学习引人入胜

进入4月份之后，沧州炼油厂各基层单位的班组安全活动出现了新气象——各基层班组在例行的安全学习过程中，一改以往由安全员或车间管理人员“满堂灌”的“我说你听”方式，采用了互动主持的形式，即由班组人员轮流主持班组安全学习活动。这种新的安全教育形式让大家在过了把“主持瘾”的同时，也明显调动了班组职工的参与积极性，使班组安全学习更加引入入胜，受到了职工的称赞。     

基于半监督距离学习的运动相似性度量算法

人体运动捕获技术的发展使得运动捕获数据不断积累,人体运动的检索技术成为运动数据管理和重用过程中的关键环节。由于逻辑相似的运动在数值上并不一定相似,使用欧式距离度量2个运动间的逻辑相似性难以取得理想的结果。为此,提出一种半监督的距离度量学习算法,利用带标记的运动和未标记运动进行训练以得到运动间的马氏距离度量,从而判断2个运动之间的逻辑相似性,实现运动检索。实验结果表明,与现有的大部分检索算法相比,该算法能够得到更高的查询精度,且没有任何人工干预,可应用于自动检索领域。     

基于聚类的动态集成选择算法

近年来,由于机器学习能够很好地解决恶意软件检测问题,因而受到了广泛的关注。为了进一步提高恶意软件的检测性能,将机器学习中的动态集成选择应用到恶意软件检测中。为了满足检测性能和保证检测的实时性需求,在动态集成选择的基础上,提出一种基于聚类的动态集成选择算法CDES(Cluster based Dynamic Ensemble Selection strategy)。该方法首先通过聚类得到多个聚类中心,然后为每一个聚类中心选择一组分类器组成集成分类器。当检测未知样本时,首先找到与该样本最近的聚类中心,那么用于分类该聚类中心的集成分类器就是当前测试样本的集成分类器。最终的检测结果也由这一组分类器通过投票得到。实验中,将所提算法与其他相关算法作比较,实验结果表明所提算法明显优于其他算法。同时,所提算法运行时间远远低于其他算法,可以满足系统的实时性要求。     

一种基于HSV颜色分割和模糊级联分类器的人脸检测技术

在复杂背景下的人脸检测技术是当今智能视觉技术中的一项难题。为了提高人脸检测的精度和实时性,降低误检率,基于HSV模型和模糊级联分类器对复杂背景中的人脸检测技术进行研究。首先在HSV模型中对图像进行选择性光线补偿,然后对图像在HSV模型中进行分割,接着用图形学的方法去噪,再将连通的肤色区域构建肤色团块,并且利用人脸的脸部比例特征来剔除不相符的人脸团块,最后利用模糊级联分类器对肤色团块检测人脸。该算法的误检率和漏检率分别为0.1%和5.9%,检测的准确率可以达到94.1%,并且有效提高了检测速度,具有一定的实用价值。实验结果表明,基于HSV肤色检测和模糊级联分类器的算法能更好地处理人脸在较差光线和有阴影干扰的环境下的检测。     

FLDA在单样本人脸识别中的应用研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出一种基于通用框架学习的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用FLDA方法进行特征抽取,将所有样本投影到特征子空间,再利用最近邻方法完成人脸识别,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。     

近似空间上模糊粗糙路径的研究

在近似空间M=(U,R)上对模糊关系S粗糙化,诱导出粗糙关系S*。以此为基础构造模糊粗糙路径,给出模糊粗糙路径的相关性质,并通过构造关于S*的模糊路径矩阵,得到模糊粗糙路径的判定方法,拓宽了二元关系粗糙化方法的应用范围,为模糊粗糙路径的进一步应用奠定了理论基础。     

基于增量学习和ASM的人脸表情分析与识别

主动形状模型ASM(Active shape model)是一种基于参数化的统计模型,主要用在图像特征点提取和图像分割中。在分析传统方法不足的基础上,提出一种改进的主动形状模型定位人脸特征的新方法。该方法采用增量学习PCA方法,可以有效解决模型匹配失败和受测试图像影响等因素,同时可对训练集进行纹理模型更新。把改进的方法用在人脸表情分析和识别上,采用SVM建立表情分类器。实验结果表明,改进的方法可以有效提高人脸特征点的定位精度,同时提高了表情识别率。     

基于自适应耦合局部数字全变分的超分辨重建

如何更好地保持重建图像的边缘信息是当今超分辨率重建技术的一个重要研究课题。针对基于全变分模型的超分辨率重建方法容易产生阶梯效应的不足,利用图像局部模糊熵信息,设计一个表征图像区域结构特征的局部自适应度量函数。利用该函数对全变分模型和超数字化全变分模型进行耦合,进而提出一种基于自适应耦合局部数字全变分模型的超分辨率重建方法。实验结果表明,该方法在保持图像几何边缘结构和消除平坦区域阶梯效应方面能力较强,重建效果较好。