基于特征提取和机器学习的电磁目标识别方法

电磁目标识别在军事领域中非常重要。为了准确识别电磁目标,本文提出一种基于特征提取和机器学习的电磁目标识别方法。首先,通过重采样、改变幅值和信号叠加三种方法扩充电磁目标数据库;然后,提取电磁目标的时域和频域统计特征;之后,通过主成分分析方法进行特征降维,保留前三个主成分;最后,用机器学习算法进行分类识别。研究结果表明,本文所提出的方法能够准确快速地识别电磁目标,在不同信噪比下的识别准确率均在98%以上。     

基于机器学习的武术动作姿势识别方法

武术动作姿势包括静态与动态,呈现多维性,提出基于机器学习的武术动作姿势识别方法。采用小波阈值变换去除原始图像噪声干扰,参考运动过程中关节角度变化曲线,提取人体静态特征和动态特征,构建动作图像多维分割模型,结合机器学习与目标姿势参数,获取武术动作姿势边缘轮廓的特征分布函数,完成武术动作识别。实验证明：动作识别精准度较高、特征分辨能力较强,具有很好的姿势检测和辨识能力,能够满足武术训练对姿势细节获取要求。     

基于机器学习的恶意URL识别

网络攻击成为日益重要的安全问题,而多种网络攻击手段多以恶意URL为途径。基于黑名单的恶意URL识别方法存在查全率低、时效性差等问题,而基于机器学习的恶意URL识别方法仍在发展中。对多种机器学习模型特别是集成学习模型在恶意URL识别问题上的效果进行研究,结果表明,集成学习方法在召回率、准确率、正确率、F1值、AUC值等多项指标上整体优于传统机器学习模型,其中随机森林算法表现最优。可见,集成学习模型在恶意URL识别问题上具有应用价值。     

基于机器学习技术的直放站干扰识别方法研究

干扰识别和优化是运营商无线网络优化的重点环节和长期需求。本文提出了一种基于机器学习技术的直放站干扰识别方法,能够大幅提升直放站干扰识别的准确性和排查效率,为难以用规则识别的复杂无线干扰系统提供了一种新的技术实现途径,实验和测试结果证明了该方法的有效性。     

一种基于机器学习的LTE高铁故障识别方法与实例

为保证高铁LTE网络质量,提升客户感知,及时识别并解决高铁LTE网络故障至关重要.现有技术识别高铁故障主要依靠道路测试与网管后台数据,不仅耗时耗力,而且由于高铁专网多采用拉远与小区合并建设方式,故障具体点位和隐性故障难以定位.在此背景下,本文提出了一种基于大数据和机器学习,针对高铁网络特性的天馈故障识别方法,可有效提升...     

基于机器学习的武术错误动作识别方法研究

针对传统错误动作识别方法识别精度较低的问题,提出基于机器学习的武术错误动作识别方法。提取图像中运动特征的连续帧序列,推理得出任意时刻序列目标的函数状态;建立时间变化模板并结合目标函数的状态阈值,计算每个图像帧下动作的权重数值;通过模糊度量的隶属度函数对该权重数值定义,建立错误动作识别模型;根据模型层中的隐藏数据层有效激活函数,对所有动作状态参数激活计算,结合显著度结果完成错误动作识别。仿真实验证明,所提方法识别率高、时效性好,并且可以很好地解决动作识别时易出现的混淆问题。     

机器学习视角下的多光谱卫星浅海水深反演研究

利用覆盖典型海岛的Landsat-8 OLI多光谱卫星遥感影像和收集到的水深数据,分别采用传统多元线性回归模型、机器学习中的back propagation(BP)神经网络模型和随机森林模型对目标海域水深进行整体反演,并对三种方法的反演精度进行评价。结果表明：相比于多元线性回归模型,机器学习方法的水深反演精度更高;随机森林模型的水深反演精度最高,平均绝对误差为1.94 m,平均绝对百分比误差为18.29%,模型的鲁棒性更加出色,整体精度较多元线性回归模型有明显提高。本研究比较三种方法构建的浅海水深模型的性能,为后续更加高效地获取高精度浅海水深信息提供参考价值。     

一种采用机器学习的氦语音识别方法

为了解决传统氦语音处理技术存在的处理速度慢、计算复杂、操作困难等问题,提出了一种采用机器学习的氦语音识别方法,通过深层网络学习高维信息、提取多种特征,不但解决了过拟合问题,同时也具备了字错率(Word Error Rate,WER)低、收敛速度快的优点。首先自建氦语音孤立词和连续氦语音数据库,对氦语音数据预处理,提取的语音特征主要包括共振峰特征、基音周期特征和FBank(Filter Bank)特征。之后将语音特征输入到由深度卷积神经网络(Deep Convolutional Neural Network,DCNN)和连接时序分类(Connectionist Temporal Classification,CTC)组成的声学模型进行语音到拼音的建模,最后应用Transformer语言模型得到汉字输出。提取共振峰特征、基音周期特征和FBank特征的氦语音孤立词识别模型相比于仅提取FBank特征的识别模型的WER降低了7.91%,连续氦语音识别模型的WER降低了14.95%。氦语音孤立词识别模型的最优WER为1.53%,连续氦语音识别模型的最优WER为36.89%。结果表明,所提方法可有效识别氦语音。     

大数据下的机器学习算法探讨

随着我国经济不断的发展,科学技术也在快速的发展,电子商务、互联网社交、交通运输、卫星导航等等各个社会领域都在产生这大量的数据,信息量变得巨大,产业对数据量不断的增大,大数据概念已经深入到了各行各业,被越来越多的企业关注了.互联网不断的普及扩大,于是就有了在大量数据的环境下应用的问题,数据的大量性,变化快以及复杂性,不再适用小数据的机器学习算法,传统的小数据机器学习算法逐渐的被淘汰或被取代,所以大数据下的机器学习算法是我国各行各业共同探讨的主流话题.通过分析当下处理大数据的机器学习算法,总结出处理大数据的好方法,有效的解决各大企业面临数据量大的问题,提出在大数据下机器学习算法的建议和方法.传统的数据分析处理技术不能满足与提取数据资源里的价值信息,面对这样的需求,我们在不断的探析和研究,为群众提供对大数据处理的有效平台.     

分布式计算框架下的大数据机器学习

本文利用多层神经网络使用单层神经网络实现数据集训练,对均方误差和改变迭代时间进行对比。通过试验结果表示,低于最高的均方误差,提高收敛速度。简单来说,所实现多层神经网络能够精准预测数据集。     

临床输血机器学习预测模型构建方法研究

基于机器学习的输血治疗预测模型可为科学、安全输血提供支撑。文章建立了临床输血机器学习预测模型构建方法及流程,涵盖了数据提取与清洗、特征选择、数据集划分与数据不平衡处理、机器学习算法模型构建、模型评估和最优数据模型选择与优化,为临床输血机器学习预测模型构建提供帮助。实验证明,文章设计的临床输血机器学习预测模型构建方法,能够在完成特征选择的前提下建立不同机器学习模型,并根据准确率、召回率、精确度、F1值和受试者工作特征（ROC）曲线下面积（AUC）等评估参数,对模型性能进行评分,选择最佳的机器学习预测模型,准确率为0.877,AUC为0.926,具有良好的预测效果。     

机器学习中的多侧面递进算法MIDA

对高维海量数据,为解决准确率与泛化能力之间的矛盾,提出机器学习中的多侧面递进算法MIDA(Multi-side Increase by Degrees Algorithm),该算法将样本集分成几个部分,对各部分分别选择一组适应它们的特征子集.这种分而治之的方法,在保证一定的精度的前提下,符合人类对复杂问题的求解分重点,多方面考虑的方式,可有效地识别复杂问题的分类,提高泛化能力,降低了计算的复杂性.本文利用覆盖算法给出具体的多侧面递进算法,并给出实验结果,实验结果表明新的方法是有效的.     

基于机器学习的软件运行缺陷检测方法研究

以往采用的基于秩和检验以及静态软件缺陷检测方法受数据集噪声影响较大,导致检测精准度较低,基于此,提出基于机器学习的软件运行缺陷检测方法.采用拉普拉斯特征映射的采样方式构建不同度量元特征向量的最近邻图,计算邻图中的权重矩阵,使样本平衡化.基于机器学习求取系数向量,计算每个类正则化残差值,由此分类.计算分类后的最小平均误差...     

基于拓扑与网格双特征的铭文图形识别方法

青铜器铭文图像有效特征的提取是进行铭文识别的关键步骤,针对以图像为信息载体的铭文特征提取方法由于特征维度高、特征向量复杂而识别准确度低的问题,提出了一种基于拓扑与网格双特征的铭文图形集成学习识别方法.以图形为铭文特征的表征,所提方法提取拓扑特征和7维文字结构图形特征,有效描述了铭文文字的结构信息.在此基础上,所提方法利...     

基于机器学习技术的智能果品识别

文章描述了一种利用paddlepaddle框架通过图像特征识别水果品质的机器学习方式。     

基于机器学习的波数据分析处理方法

本文使用信号分析的方法对波数据进行特征提取,利用机器学习算法对提取出的特征建立分析模型,可以挖掘出波数据中隐藏的价值信息。