一种适用于超多类手写汉字识别的新改型Adaboost算法

提出一种适用于超多类手写汉字识别的新改型Adaboost算法,采用基于描述性模型的多类分类器（modified quadratic discriminant function,MQDF）作为Adaboost基元分类器,可直接进行多类分类,无需将多类问题转化为多个两类问题处理,其训练复杂度大大低于已有的多类Adaboost算法。算法提出根据广义置信度更新样本权重,实验证明这种算法适用于大规模多类分类问题。为了降低算法的识别复杂度,提出从所有训练后得到的Adaboost基元分类器组中选择一个最优的基元分类器作为最终分类器的方法进行删减。在HCL2000及THOCR—HCD数据集上进行实验证明,所提改型Adaboost算法提高了识别率的有效性,该算法的相对错误率比现有最优算法分别下降了14．3％．8．1％和19．5％．     

用于手写汉字识别的改型Adaboost算法

针对大部分多类Adaboost算法因训练复杂度过高而难以应用于手写汉字识别这种大类别数分类的问题,提出了一种新的改型的多类Adaboost算法.该算法采用基于描述性模型的多类分类器--改进的二次鉴别函数(MQDF)分类器作为基元分类器,可直接进行多类分类,无需将多类问题转化为多个两类问题处理,大大降低了训练复杂度.此外,该算法根据广义置信度更新样本权重,实验证明此方法简单有效.为了降低算法的识别复杂度,对训练后得到的基元分类器组进行删减,仅保留一个最优的基元分类器作为最终分类器.在HCL2000及THOCR-HCD数据集上进行的实验表明,该算法的相对错误率比现有算法分别下降了14.3%、8.1%和19.5%.     

基于共形几何代数与二次规划的分类器设计

提出一种基于共形几何代数与二次规划的分类器设计方法.从新的角度出发,讨论了运用共形几何代数理论来构造最优分类超球可分问题的可行性和简便性,首先介绍了基于共形几何代数的分类超球面的几何表示,并用此表示将二类最优分类超球面的可分问题转化二次规划的训练学习问题,在此基础上分析了多类分类器的设计和训练方法.该算法保留了最大分类间隔理论的优点,将二类最优平面可分推广到最优超球可分,简化了其运算复杂度,仿真实验表明,该学习算法简洁明确,对于算法的集成,提高效率有着很重要的意义.     

基于Adaboost算法选取和组合SVM的行人检测算法

行人检测是计算机视觉中一个重要的研究方向,为了提高行人的识别精度,将支持向量机(Sup-port Vector Machine,SVM)和Adaboost算法结合起来,SVM是基于结构风险最小化准则的新型机器学习算法,适合小样本学习并且能够有效地抑制过拟合问题,Adaboost基于最小化训练错误率,一般使用易训练的分类器作为弱分类器.由于SVM比较难训练,因此将样本集划分形成多个训练集,然后利用正样本和不同的负样本组成不同训练集反复训练,最后通过Adaboost对训练集生成的SVM模型筛选出具有最小错误率的SVM分类器并且采用投票机制形成最终的强分类器.实验结果表明,在FPPW(false positive per window)为10-5时检测率能够达到30%,检测效果优于单个SVM算法训练出来的分类器模型,用行人测试库测试,该方法取得了较好的检测效果并且具有较强的鲁棒性.     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于人工鱼群的Gentle Adaboost快速训练算法

Gentle Adaboost算法训练弱分类器时,需要遍历特征空间,将分类结果最好的特征作为弱分类器,这将消耗大量的时间。本文提出了一种基于人工鱼群的Gentle Adaboost快速训练算法。人工鱼群算法能够模拟鱼群行为策略,有效的对特征空间快速搜索,减少需要计算的特征数,缩短训练时间。在保证检测效果的条件下,通过对MIT和FERET人脸数据库部分样本的训练,新方法的训练时间约能缩短至原始训练时间的1/4。     

自适应免疫算法的SVME用于水下目标识别

针对用支持向量机集成提高水下目标识别正确率会使识别系统更加复杂的问题,提出了一种以自适应免疫算法(AIA)的支持向量机选择性集成(SVME)算法(即AIA-SVME算法)进行分类器优化选择,对实测水下目标声信号进行分类识别.与分类器全部集成的识别实验对比证明,该算法在选择9%的分类器后仍可以达到分类器全部集成的识别效果,不仅保证了识别精度,还使得识别系统大幅度精简,节省在线识别的时间.该研究对于水下目标分类决策优化集成的新方法探索具有重要理论价值和实际意义.     

基于AlexNet-Adaboost的多工况滚动轴承故障识别方法

针对实际工程中滚动轴承多工况下传统故障诊断方法识别率偏低的情况.提出了一种基于AlexNet-Adaboost相结合的滚动轴承故障识别方法.以滚动轴承信号的时频图作为模型输入、分类结果作为模型输出,训练多个AlexNet基分类器;在此基础上利用Adaboost(自适应提升)算法进一步提升得到强分类器,将多工况下滚动轴承...     

基于遗传算法进化的数字图像处理

人脸表情识别是目前数字图像处理领域比较活跃的研究课题。本文提出一种采用遗传算法进化的支持向量机对人脸表情进行分类的新型算法。先提取静态人脸表情特征,然后采用遗传算法自动选择最优的支持向量机核函数,最后采用这种新型分类器进行了人脸表情的分类和识别。在Yale人脸表情库上进行了测试人不参与训练的仿真实验,并与最近邻分类器进行比较,提出的方法取得了更好的识别结果。     

基于改进差分进化算法的运动想象脑机接口频带选择

由于人脑对事件响应频带各不相同,为了准确确定个体最优滤波频带,提出一种多策略变异算子和时变非线性交叉因子差分进化算法对运动想象EEG频带进行处理,采用共空间模式算法提取特征向量,利用线性分类器进行分类识别。使用该方案对BCI competition III-dataset 4a受试者的EEG数据进行了10次5倍交叉分类实验。实验结果表明,该算法稳定性强、耗时少,解决了运动想象BCI特征提取中的最优频带选择问题。     

Gene selection approach based on improved swarm intelligent optimisation algorithm for tumour classification

A number of different gene selection approaches based on gene expression profiles (GEP) have been developed for tumour classification. A gene selection approach selects the most informative genes from the whole gene space, which is an important process for tumour classification using GEP. This study presents an improved swarm intelligent optimisation algorithm to select genes for maintaining the diversity of the population. The most essential characteristic of the proposed approach is that it can automatically determine the number of the selected genes. On the basis of the gene selection, the authors construct a variety of the tumour classifiers, including the ensemble classifiers. Four gene datasets are used to evaluate the performance of the proposed approach. The experimental results confirm that the proposed classifiers for tumour classification are indeed effective.Inspec keywords: tumours, swarm intelligence, particle swarm optimisation, pattern classification, medical computing, geneticsOther keywords: gene datasets, ensemble classifiers, tumour classifiers, gene space, informative genes, gene expression profiles, tumour classification, swarm intelligent optimisation algorithm, gene selection approach     

Two-tier architecture for unconstrained handwritten character recognition

In this paper, we propose an approach that combines the unsupervised and supervised learning techniques for unconstrained handwritten numeral recognition. This approach uses the Kohonen self-organizing neural network for data classification in the first stage and the learning vector quantization (LVQ) model in the second stage to improve classification accuracy. The combined architecture performs better than the Kohonen self-organizing map alone. In the proposed approach, the collection of centroids at different phases of training plays a vital role in the performance of the recognition system. Four experiments have been conducted and experimental results show that the collection of centroids in the middle of the training gives high performance in terms of speed and accuracy. The systems developed also resolve the confusion between handwritten numerals.     

基于模糊理论决策的双向二维PCA步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法.通过预处理技术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低平均步态能量子图像的系数矩阵维数,加快识别速度.引入模糊理论决策的方法进行最近邻分类器的分类.最后在CASIA步态数据库上对所提出的算法进行实验,实验结果表明该算法具有较好的识别性能并有较强的鲁棒性.     

用于水声目标识别的近邻无监督特征选择算法

针对水声目标数据的特征冗余问题,提出一种新的近邻无监督特征选择算法。首先利用顺序向后特征搜索算法生成原始特征集的子集,然后利用基于代表近邻选取方法的特征评价机制评价特征子集的优越性。使用实测水声目标数据集和声呐数据集进行特征选择和分类实验,在保持支持向量机平均分类正确率几乎不变的情况下,特征数目分别降低了90%和75%。结果表明,该算法选择出的特征子集,在去除冗余特征后有效地提高了后续学习算法的效率。     

基于融合特征的短语音汉语声调自动识别方法

提出一种基于韵律特征(基频、时长)和梅尔倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)特征的融合特征进行短语音汉语声调识别的方法,旨在利用两种特征的优势提高短语音汉语声调识别率。该融合特征包括7个根据不同模型得到的韵律特征和统计参数以及4个从每个音段的梅尔倒谱系数计算得来的对数化后验概率,使用高斯混合模型表示4个声调的倒谱特征的分布。实验分两步:第一步,将基于韵律特征和倒谱特征的分类器在决策阶段混合起来进行声调分类,分别赋予两个分类器权重,计算倒谱特征和韵律特征在声调分类任务中的权重;第二步,将基于字的韵律特征和基于帧的倒谱特征结合起来生成融合特征的超向量,使用融合特征进行汉语声调识别,根据准确率、未加权平均召回率(Unweigted Average Recall,UAR)和科恩卡帕(Cohen’s Kappa)系数3个指标,比较并评估5种分类器(两种设置的高斯混合模型,后向传播神经网络,支持向量机和卷积神经网络(Convolutional Neural Network,CNN))在不平衡数据集上的分类效果。实验结果表明:(1)倒谱特征方法能够提高汉语声调的识别率,该特征在总体分类任务中的权重为0.11;(2)基于融合特征的深度学习(CNN)方法对声调的识别率最高,为87.6%,与高斯混合模型的基线系统相比,提高了5.87%。该研究证明了倒谱特征法能够提供与韵律特征法互补的信息,从而提高短语音汉语声调识别率;同时,该方法可以运用到韵律检测和副语言信息检测等相关研究中。     

A simple and efficient optical character recognition system for basic symbols in printed Kannada text

Optical Character Recognition (OCR) systems have been effectively developed for the recognition of printed characters of non-Indian languages. Efforts are on the way for the development of efficient OCR systems for Indian languages, especially for Kannada, a popular South Indian language. We present in this paper an OCR system developed for the recognition of basic characters (vowels and consonants) in printed Kannada text, which can handle different font sizes and font types. Hu’s invariant moments and Zernike moments that have been progressively used in pattern recognition are used in our system to extract the features of printed Kannada characters. Neural classifiers have been effectively used for the classification of characters based on moment features. An encouraging recognition rate of 96.8% has been obtained. The system methodology can be extended for the recognition of other south Indian languages, especially for Telugu.