特征选择对FHMM性能影响研究

在利用因子隐马尔可夫模型(Factorial Hidden Markov Model, FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素．通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则．将FHMM引入到步态识别中,提取4种步态特征,得到使用不同特征组合的FHMM的实验结果．使用McNemar检验的方法将其与单个特征的识别性能做比较,结合由正则典型相关分析得到的维数不同的特征间的相关性,分析得到以下结论: 基于FHMM的识别性能与特征间的相关性并没有必然联系,其性能更多地受到特征间的识别性能差异和单个特征的识别性能的影响．为发挥FHMM的优越性,应选择特征间识别性能差异小和单个特征识别性能好的特征组合,在此基础上特征间相关性越小越好．     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

PCA-CCA在红外与可见光图像特征融合中的应用

针对红外与可见光图像特征级融合提出一种基于PCA-CCA的融合方法.分别提取红外与可见光图像的特征,由于当特征维数较高时,基于CCA方法的目标函数会面临协方差矩阵奇异的问题,无法进行求解,因此首先利用PCA方法进行降维,然后在低维空间中利用CCA方法求解融合特征.通过实验证明,本文的方法能够有效地提取融合特征,并且识别效果高于单一的CCA融合方法.     

基于典型相关分析的复杂网络模块挖掘算法

利用典型相关分析(CCA)分析了复杂网络中的功能模块及其相互关系,并将其转化为LASSO回归优化问题,提高了结果的可解释性。在此基础上,提出了一种模块及其相互关系的挖掘算法。该算法不仅能准确挖掘网络中的功能模块,而且还能同时度量模块之间的相关程度。人工生成数据集和DBLP数据集上的模拟实验表明,提出的算法能准确地挖掘网络中的功能模块及其相关性。     

双谱二次特征在雷达信号识别中的应用

针对利用常规参数进行复杂体制雷达辐射源信号识别存在的问题,提出将信号双谱作为雷达辐射源特征参数,并将Bhattacharyya分离度准则作为双谱的二次特征提取的算法.利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,提高雷达辐射源特征参数的有效性;针对信号双谱中包含许多对识别辐射源不起显著作用的双谱和与辐射源识别无关的冗余双谱,将Bhattacharyya距离作为双谱二次特征提取的依据,将具有最强类可分离度的双谱提取出来作为信号的特征参数.仿真结果表明,提取的双谱二次特征具备一定的抗噪能力,在较宽信噪比范围内能够较好地体现辐射源之间的个体差异,平均识别正确率可达到95%.     

基于2D-FrFT多阶次特征融合的人脸表情识别方法

提出一种二维分数阶傅里叶域(2D-FrFT)多阶次特征融合分类算法.该方法充分利用分数阶傅里叶域不同阶次下表情特征之间的相关性,选取两个阶次的表情特征,利用典型相关分析法(Canonical Correlation Analysis,CCA)进行特征融合,并通过基于支持向量机(Support Vector Machine,SVM)的多层次分类机制进行人脸表情识别.仿真实验结果表明,采用多阶次特征融合算法后提高了平均识别率,降低了表情特征维数,减小了计算量.     

基于优选典型相关分量的跨媒体检索模型

在跨媒体检索中,准确利用异构媒体间的语义相关性是制约检索性能优劣的关键因素之一。提出改进的核典型相关分析(modified kernel canonical correlation analysis, MKCCA)模型,以改善跨媒体检索性能:抽取图像的尺度不变特征变换(scale invariant feature transform, SIFT)与描述灰度纹理的空间包络特征(GIST),抽取文本的词频(term frequency, TF)特征;精选映射核,把图像、文本特征映射到高维可分空间中,生成核矩阵;基于典型相关分析(canonical correlation analysis, CCA)方法挖掘图像、文本核矩阵间的非线性语义相关性;设置语义相关度阈值,降低语义噪声干扰并优选核心典型相关分量,更准确、鲁棒地刻画图像与文本间的语义关联。试验表明:SIFT-TF特征组合整体表现最好,而MKCCA模型与高斯核(gauss kernel)配合可获取最优跨媒体检索性能,其图像检索文本与文本检索图像的平均精度均值(mean average precision, MAP)较次优指标分别提升3.06%和1.18%。     

三维模型检索中的语义与形状异构特征融合

三维模型检索是多媒体信息检索领域的重要组成部分,由于"语义鸿沟"的存在使得当前基于内容的检索结果通常不十分令人满意。考虑到解决"语义鸿沟"的关键是将三维模型的底层形状特征与高层语义特征进行有效融合,为此提出一种三维模型的语义与形状异构特征融合方法,该方法将三维模型在基于内容的检索过程中用户反馈信息形成的语义关联作为模型的语义表达,并通过子空间学习方法将这种语义表达信息与模型的底层特征进行融合,最后将融合后的新特征应用于三维模型检索中。在Princeton shape benchmark上的测试表明,该方法的检索结果明显好于单纯形状特征的检索结果。     

一种雷达辐射源信号脉内特征的综合评估方法

针对在雷达辐射源信号分选中脉内特征评估指标单一的问题,提出了一种新的雷达辐射源信号脉内特征的综合评估方法。该方法首先建立脉内特征的三层指标评估体系,并根据建立的评估体系进行特征评估指标度量及归一化;然后结合专家先验知识及实际环境进行了区间层次分析以确定指标的权重区间,并使用改进的投影寻踪算法建立非线性方程优化模型;最后利用非单调投影谱梯度算法实现了主客观的决策融合。仿真结果表明,该方法可以根据具体电磁环境给出最佳的脉内特征评估结果,与现有方法相比,所提的评估方法更加全面。     

一种基于数值逼近的KPCA改进算法

核方法广泛应用于模式识别等领域,但其存在着特征抽取效率和样本集的大小成反比的瓶颈问题.因此提出一种基于数值逼近的方法确定虚拟样本矢量,以此代替训练样本,提高KPCA(Kernel Principle Component Analysis)特征抽取效率.在确定虚拟样本矢量时,只需将样本矢量的初值设定为随机变量,算法实现简单、高效.在基准数据集上的实验结果显示该算法优于同类算法.     

一种改进卷积神经网络的教学图像检索方法

针对卷积神经网络在提取图像特征时所造成的特征信息损失以及降低高维度图像特征数据等问题,提出了一种改进卷积神经网络的图像检索优化方法。该方法首先利用融合的卷积层提取图像特征,并在融合的卷积层之间添加全连接层以减少特征信息的丢失;然后采用主成分分析法对高维的特征数据进行有效的降维处理;最后采用余弦相似度的方法进行相似度匹配,以实现相似图像的检索。采用当前经典的LeNet-L、LeNet-5等方法同文中方法在图像检索性能评价指标上进行对比实验。实验结果表明,所提出的检索方法比文中其他检索方法在查全率和平均查准率方面提高了3%27.3%。     

Quantitative and comparative analysis of hyperspectral data fusion performance

0　ＩＮＴＲＯＤＵＣＴＩＯＮＨｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎａｌｙｓｉｓｉｓｏｆｇｒｏｗｉｎｇｉｎｔｅｒｅｓｔａｓａｎａｐｐｒｏａｃｈｔｏｍｅｔｅｏｒｏｌｏｇｙ ,ｇｅｏｌｏｇｙ ,ｅａｒｔｈｒｅｍｏｔｅｓｅｎｓｉｎｇａｎｄｍｉｌｉｔａｒｙｓｕｒｖｅｉｌｌａｎｃｅ[1～ 5] .Ｃｏｍｐａｒｅｄｗｉｔｈｍｕｌｔｉｓｐｅｃ ｔｒａｌｉｍａｇｅｓ ,ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓｈａｖｅｈｕｎｄｒｅｄｓｏｆｂａｎｄｓ ,ｗｉｔｈａｖｅｒｙｓｍａｌｌｉｎｃｒｅｍｅｎｔｉｎｗａｖｅｌｅｎｇｔｈａｎｄｈｉｇ…     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于相关性分析的基因选择算法

常用的排列法从微阵列数据中选择的基因集合会包含相关性较高的基因,这会影响分类器的性能,为了去除这些冗余基因(特征),提出了无监督的特征选择算法.该算法主要包含:将原始特征集划分为一组相似的子集(聚类);从每个聚类中选择代表性特征.特征的划分采用特征间的相关性作为测度以k近邻原则来完成.该算法无需指定聚类数量,时间复杂度低.真实的生物学数据实验证明该算法可显著提高分类器的分类准确性.     

反辐射无人机攻击目标威胁度分析

根据反辐射无人机攻击目标雷达的作战特点，运用模糊层次分析法对目标雷达的威胁度进行了评估与分析，给出了雷达威胁度评估的层次结构，确定了一套评估指标，建立了3级评判模型，并确定了各因素权重，提出了雷达威胁度的量化评判方法，最后通过实例证实了该方法的有效性．     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

用神经网络进行雷达辐射源识别研究

为提高雷达辐射源识别系统的识别率，分析了BP神经网络、径向基神经网络和径向基概率神经网络等3种神经网络的结构和性能．用假设的10部雷达参数产生数据进行实验．仿真结果表明，应用径向基概率神经网络能大幅提高雷达辐射源识别的识别率，该网络在雷达辐射源识别中的分类性能明显优于其他2种神经网络．     

基于HOS的雷达目标分类新算法

提出一种基于高阶谱（HOS）的雷达目标分类方法,将双谱概念从频域推广到时域和距离域,并给出了将双谱和双相干函数的“均值”及“重心”作为特征量的特征提取新算法,在目标散射信号中含有加性噪声和指数噪声的情况下,进行了模拟,同时对BSB(Brain State in Box)模型的人工神经网络进行了学习训练和分类仿真,结果证明本方法具有很好的性能和一定的实用价值。     

一种基于PCA和相关向量机的锂电池在线寿命预测方法研究

针对已有基于相关向量机对锂离子电池进行在线寿命预测因考虑因素单一而导致预测精度不理想这一问题,提出了一种基于主元分析（PCA）的特征因素变量加权建构的方法。该方法首先将多种特征因素变量作为研究对象,找到其线性变换后的得分向量所构矩阵;分析其不同得分向量对原变量数据矩阵特征覆盖程度,进一步加权构建融合得到相应特征向量。将所得向量作为输入,经相关向量机建立预测模型并进行锂离子电池寿命在线预测,最终得到预测结果。采用国际公用电池数据作为研究对象,通过MATLAB软件验证了有多变量预测电池寿命的可行性,结果表明预测效果较好。     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。