基于Rough集理论的车牌汉字特征提取

车牌首位汉字特征提取和识别是一个难点。传统的车牌汉字的特征提取方法是在具有先验知识的情况下进行的,先验知识的好坏对结果有着非常重要的影响。Rough集,理论上可以从数据集中直接提取特征,不依靠先验知识。先用Rough集理论提取待识别汉字的特征,再用这些特征进行模板匹配。实验结果表明该方法有比较好的识别效果。     

车牌识别中基于Rough集理论的字符识别

用Rough集理论提取车牌中的文字、字母、数字、短横线的特征，再用这些特征进行模板匹配。该文中的基于Rough集可辨矩阵的特征选择算法，时间复杂度为O(mn2)，改变了过去人们认为基于可辨矩阵的特征选择算法的时间复杂度不低于O(m2n2)的观点（其中m为数据集中特征/属性的个数，n为数据集中样本的个数）。给出了在车牌识别中的实验结果。     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法，对用户的安全访问行为的数据作规范化处理并进行约简，从中提取有效的最简规则，降低了安全数据的冗余，减轻了特征码构造的负担。使用Rough集上、下近似集原理，构造了上、下近似Self集，实现了Self的优化和扩展，有效地解决了Self集的自动演化问题。     

基于小波的车牌汉字特征提取

车牌识别系统是智能交通不可或缺的一部分.在车牌识别系统中,车牌首位汉字的特征提取和识别是一个难点.为此,将小波的多分辨率特性应用于车牌汉字特征的提取,提出了一种直接从灰度图象提取车牌汉字特征的提取方法.该方法首先提取图象的小波矩和基于小波分解的区域密度特征,然后以识别率好坏为最优依据,进行特征分量排序和选择,最后把特征矢量送入BP神经网络进行字符识别.该方法避免了一些传统汉字特征提取方法需要对图象进行二值化操作而造成的汉字字符结构信息丢失.提取的特征有效地反映了车牌汉字的局部和全局特征.实验结果表明该特征提取方法可以得到比较好的识别效果.     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法,对用户的安全访问行为的数据作规范化处理并进行约简,从中提取有效的最简规则,降低了安全数据的冗余,减轻了特征码构造的负担。使用Rough集上、下近似集原理,构造了上、下近似Self集,实现了Self的优化和扩展,有效地解决了Self集的自动演化问题。     

Rough集

1993—94年我在美国Stanford大学和San Jose州立大学作高访学者时,与本文致谢中提到的T.Y.Lin教授合作研究Rough集理论及其应用,我们的工作曾在1994年11月美国举行的第三次Rough集和软计算国际学术会议上受到Z.Pawlak教授的赞扬。这一理论及其应用现已成立了国际性学术研讨会,参加的成员有波兰、加拿大、美国、日本、俄罗斯、乌克兰和印度等。每年或两年举行一次学术会议。国内也开始陆续发表Rough集方面的文章。在此,我们将“Rough集”译出,以飨读者。——刘清     

基于Gabor滤波器组的车牌汉字特征提取

提出基于Gabor滤波器组的特征提取新方法.利用汉字图像的统计信息及归一化信息,提出针对车牌汉字的有效的Gabor滤波器组参数优化方法,并设计一组Gabor滤波器用于提取车牌汉字图像中不同中心频率和方位的笔画纹理特征,实现直接对灰度图像的特征提取.实验结果表明,相比传统二值化特征提取方法,采用基于Gabor滤波器组的小波变换提取特征能够获得更良好的识别性能.     

基于Rough集的Rough数及λ算子的逻辑价值

本文在介绍Ｒｏｕｇｈ集基础上，提出了基于Ｒｏｕｇｈ集理论的Ｒｏｕｇｈ数概念及其运算法则，并给出了这种Ｒｏｕｇｈ数应用实例及其近似程度算子λ在Ｒｏｕｇｈ逻辑中的理论价值。     

Rough集理论：现状与前景

经典逻辑中只有真、假二值,但实际上有大盆含糊现象存在于宾和假二值之间,因此,长以来许多逻辑学家和哲学家就致力于研究含糊概念。早在1904年谓词逻辑的创始人G.Frege就出了含糊     

一种结合粗糙集理论和启发式知识的特征选取算法

通常数据库会包含很多冗余特征，找出重要的特征子集叫做特征选取，粗糙集理论提供了一种数学工具来发现所有可能的特征子集，但因为发现的特征子集的数目通常非常庞大，遍历所有子集将非常耗时，文章介绍一种算法、它结合了粗糙集理论和贪心的启发性知识来有效进行特征子集选取。     

一种基于粗糙集的特征选取算法及应用

特征选取技术主要目的之一是选取代表问题域的最优特征子集,提高分类的有效性和可伸缩性。文章在粗糙集理论框架下,提出了一种能处理不相容数据的特征选取算法,它以属性重要性和平均规则支持度作为特征选取的启发式信息,并且通过实验验证该算法的有效性。最后,将该算法应用到客户满意度特征选取中,对于识别和保留客户具有重要现实意义。     

一种基于粗糙集的混合特征选择算法

本文在基于粗糙集理论的最小差异表MDL上,使用增量方式构造了与MDL相类似的简单差异矩阵SDM,以SDM近似约简集为起点对属性子集空间进行前向搜索,提出了一种基于粗糙集的混合特征选择算法。该算法大大提高了特征选择的效率和准确性,适用于数据挖掘的预处理过程。     

基于粗糙集合理论的决策树生成

决策树算法是一种采用分治策略的自顶向下的归纳算法,传统的决策树算法往往是基于信息论度量的.文章以粗糙集合理论中的区分观点为基础,提出了两种新型的属性选择判据：区分度和区分价值.实验结果表明,采用区分价值的属性选择策略所生成的决策树要明显优于基于熵的属性选择策略.     

一种基于模糊粗糙集的快速特征选择算法

模糊粗糙集由于能够处理实数值数据,甚至是混合值数据中的不确定性受到人们的广泛关注,其最重要的应用之一是特征选择,相关的特征选择方法已有不少研究,但其快速的特征选择算法研究很少。实际中的数据一般含有噪声点或信息含量低的样例,如果对数据集先筛选出代表样例,再对筛选的样例集进行数据挖掘便会降低挖掘计算量。本文基于模糊粗糙集,先根据样例的模糊下近似值对样例进行筛选,然后利用筛选样例的模糊粗糙信息熵构造特征选择的评估度量,并给出相应的特征选择算法,从而降低了算法的计算复杂度。数值试验表明该快速算法具有有效性,并且对控制筛选样例个数的参数给出了建议。     

基于字符结构知识的车牌汉字快速识别技术

车牌汉字识别效率一直是制约车牌自动识别系统推广应用的瓶颈。采用多级分类方法,充分利用车牌汉字图像的空问结构特征(像素空间分布投影,字符的笔段类型、数量及拓扑关系等)可实现车牌汉字的快速辨识。实践表明,该方法能快速从车牌汉宁图像中辨识出汉字字符,识别准确度可达98％。     

一种基于邻域粗糙集的多标记专属特征选择方法

在多标记学习中,数据降维是一项重要且具有挑战性的任务,而特征选择又是一种高效的数据降维技术。在邻域粗糙集理论的基础上提出一种多标记专属特征选择方法,该方法从理论上确保了所得到的专属特征与相应标记具有较强的相关性,进而改善了约简效果。首先,该方法运用粗糙集理论的约简算法来减少冗余属性,在保持分类能力不变的情况下获得标记的专属特征;然后,在邻域精确度和邻域粗糙度概念的基础上,重新定义了基于邻域粗糙集的依赖度与重要度的计算方法,探讨了该模型的相关性质;最后,构建了一种基于邻域粗糙集的多标记专属特征选择模型,实现了多标记分类任务的特征选择算法。在多个公开的数据集上进行仿真实验,结果表明了该算法是有效的。