巴氏距离和K-L变换结合的特征选择

该文提出巴氏距离(BhattacharyyaDistance)和K-L(Karhunen-Loeve)变换结合的特征选择。采用巴氏距离特征选择眼3,5演的迭代算法,可以获得最小错误率上界。当特征维数高时,为了减少巴氏距离特征选择计算时间,对样本先进行K-L变换,将特征降低到中间维数。然后进行巴氏距离特征选择,降低到结果的维数。用基于MNIST手写体数字库的试验表明,该文方法比单纯用巴氏距离特征选择计算时间大大减少,并比主分量方法(即单纯使用K-L变换)特征选择的错误率小得多。     

巴氏距离和K-L交换结合的特征选择

巴氏距离(Bhattacharyya Distance)特征选择给出了样本最小错误率上界进的特征．但计算量大。为了减少迭代算法计算时间．文本提出巴氏距离和K-L变换结合的特征选择。首先．对整体样本进行K-L变换．去除变化不大的特征．以降低空间雏数。然后．用迭代方法．进行巴氏距离特征选择。本文中用MNIST手写体数字库的计算表明，该方法能够取得好的效果．比单纯使用K-L变换进行特征选择的最小错误率上界要小得多．同时计算时间大大减少。     

基于级联Adaboost的目标检测融合算法

单一特征的模型对于颜色纹理变化较大的目标的检测往往存在检测率不高或检测速度慢的缺点. 本文提出了一种基于级联Adaboost的``级联--加和'融合算法. 融合模型由两个独立训练得到的级联Adaboost分类器组成, 分别利用边界片段特征和矩形类Haar小波特征描述整个目标以及目标的一个稳定部件. 级联--加和的融合决策以样本在两个分类器中被拒绝或通过的级数信息为依据. 在多个数据库上的实验证明这种融合检测算法不仅综合了Haar小波特征检测速度快和边界片段特征鲁棒性好的优点, 而且与单一特征的分类器相比, 检测性能也有所提高.     

基于肤色与改进Adaboost算法的人脸检测

在彩色图像的人脸检测中,针对人脸分类器训练时可能存在的过拟合问题,提出了一种基于肤色与改进Adaboost算法的人脸检测。双阈值的权重更新方式避免了分类器训练过程中可能出现的过拟合现象;人脸检测时利用肤色的聚类性,将检测到的肤色区域作为Adaboost分类器的搜索候选区域。实验证明:在复杂背景中,提出的方法有效地缩短了检测时间,降低了误检率。     

压缩感知跟踪中的特征选择与目标模型更新

目的 为了增强压缩感知跟踪算法在复杂场景下的性能,本文提出了一种特征选择与目标模型更新的改进跟踪方法。方法 提出的方法包含两方面的改进,一是根据特征的正负类条件概率分布的距离选择能有效区分目标与背景的特征;二是根据当前目标与原始目标的差异自适应更新目标外观模型,使得目标遇到较大遮挡或者姿态频繁改变时目标外观模型不会被错误更新。结果 实验表明,对于十个复杂环境下的经典视频序列,本文提出的基于压缩感知的改进跟踪算法在中心误差、成功率和精确度三个指标上均优于最近三个代表性的跟踪算法。结论 提出的新的特征选择和目标模型更新方法,既增强了压缩感知跟踪算法的鲁棒性,又加快了跟踪速度。     

基于Hellinger距离的特征选择算法

针对数据挖掘中的特征选择问题,依据Hellinger距离的特性,研究了两种Hellinger距离的定义方式,提出了基于Hellinger距离的特征选择方法,设计了两种相应的算法。不同数据集上的实验结果表明了新算法选择的特征的有效性。与其他特征选择算法的对比可发现：这两种算法选择的特征个数少且对C4.5分类精度较好。     

基于概率密度距离的监督特征选择

为了降低特征维数,提高分类效率,提出了一种新的基于概率密度距离的有监督的特征排序方法.首先依次对所有样本的某一维特征进行加权变换,然后对变换后的各类别样本进行概率密度估计,计算由该特征加权变换后所引起的各类别样本的类间概率密度距离,距离越大,则该特征对于区分各类别样本的作用越大,以此来对特征进行排序.实验结果表明,该方法是有效的,而且表现出了比经典的Relief-F特征排序方法更好的性能.     

基于中心距离比值准则的无监督特征选择算法

特征选择是模式识别中的一个重要组成部分。针对未知类标号的样本集,提出基于中心距离比值准则的无监督特征选择算法。该算法利用爬山法确定聚类数目范围和估计初始聚类中心,再通过K-均值聚类算法确定特征子集的最佳分类数,然后用中心距离比值准则来评价特征子集的分类性能,并通过特征间的相关性分析,从中选择出分类效果好,相关程度低的特征组成特征子集。     

一种基于神经网络权值同步的TinySec协议密钥更新方案

一种新的神经网络模型通过输出互学习可实现内部权值同步,将该模型用于安全密钥协商具有计算耗费低、通信量少等特点.在介绍权值同步模型的基础上,结合传感器网络安全协议TinySec的密钥更新问题,提出一种基于神经网络权值同步的轻量级密钥更新方案,有效解决了运行TinySec协议的节点密钥文件更新,增强了TinySec协议安全性.     

基于K-L距离的两步固定音频检索方法

根据音频文件数据量大、数据间存在一定相关性的特点,提出一种基于K-L距离的两步固定音频检索方法。该方法采用基于可变门限的直方图检索方法快速筛选出相似度较高的语音文件,利用特征矩阵的K-L距离对剩余语音进行精确比较,取得较好的效果。实验结果证明,该方法能使检索准确率达到90%左右。     

基于并行特征组合与广义K-L变换的字符识别

针对传统的串行特征融合方法的弱点,提出了一种新的并行特征融合方法.该方法的基本思路是:首先,利用复向量将样本空间上的两组特征集组合起来,构成复特征向量空间;然后,从理论上推广了经典的K-L变换方法与3种基本的K-L展开方法,使其适用于复特征向量空间内的特征抽取.此外,还揭示了并行特征融合的对称性质,并详细讨论了并行特征组合的策略问题.最后,用所提出的方法来解决手写体字符的特征抽取与识别问题.在南京理工大学NUST603HW手写体汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的实验结果表明,所提出的特征融合方法不仅较大幅度地提高了识别率,而且识别结果优于传统的串行特征融合方法.     

基于复空间中K-L变换的人脸识别

文中提出了一种基于复空间中从类平均向量中提取判别信息的K-L变换的人脸识别新方法。在ORL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Eigenfaces和Fisherfaces，而且最佳识别率达到97％。     

一种基于权重的文本特征选择方法

在分析比较几种常用的特征选择方法的基础上,提出了一种引入文本类区分加权频率的特征选择方法TFIDF_Ci。它将具体类的文档出现频率引入TFIDF函数,提高了特征项所在文档所属类区分其他类的能力。实验中采用KNN分类算法对该方法和其他特征选择方法进行了比较测试。结果表明,TFIDF_Ci方法较其他方法在不同的训练集规模情况下具有更高的分类精度和稳定性。     

基于有效距离的多模态特征选择*

在传统距离度量的基础上,提出利用有效距离进行特征选择,并用于多模态分类.为了更好地反映样本间全局和局部关系,提出基于有效距离的多模态特征选择方法.该方法针对样本间全局关系进行建模,实现基于有效距离的特征选择,从而增强所选特征的判别性.在ADNI、UCI数据集上进行的分类实验表明,与传统方法相比,文中方法能有效提高多模态数据的分类性能.     

基于核空间距离测度的特征选择

提出核空间距离测度这一可分性判据。在核空间中计算两类样本点之间的距离,并以距离的大小评价子集的分类性能。使用顺序前进法作为搜索算法,在人造和真实的数据集上进行测试,文中的核空间距离测度可分性判据明显优于传统非核的可分性判据,优于或接近于Wang提出的核散布矩阵测度,并在运行时间上快一个数量级。将文中方法应用于胰腺内镜超声图像分类,取得较好分类结果。     

一种基于邻域距离的聚类特征选择方法

针对高维复杂的符号数据集在聚类中的聚类效果差和计算耗时过大的问题,首先提出了一种基于邻域距离的无监督特征选择算法,然后在选择到的特征子集上进行重新聚类,从而有效提高了聚类结果的精度,降低了聚类计算的计算耗时。实验结果表明,该算法可以找到有效的特征子集,提高数据集的聚类精度,降低面对高维复杂数据集聚类的计算耗时。     

基于分离度的图象特征提取与识别方法

对于图象中不同类别（以其统计分布函数一表征）的可识别性，分离度的统计定义可做出定量的描述。根据分离度在一一对应映射变换下的不变性，应用Ｋａｒｈｕｎｅｎ－Ｌｏｅｖｅ变换对两类分布撮识别特征，发现分离度只依赖于特征值最大和最小的两个特征向量。而且，分离度的大小依赖于特征值怀某个定定值的偏差。由此我们提出一个识别模型，使每次分类后的样本集的特征值都趋近于两上定值，从而得到最佳的识别效果。由该模型设计的