坐标转换在移动用户行为识别中的应用

为了降低手机放置位置对移动用户行为识别的影响,提出了一种坐标转换的方法,将手机加速度传感器所获取的加速度信号通过方向传感器从手机坐标系转换到方位坐标系,使用蚁群算法对转换前后各坐标系的加速度信号进行特征优选,利用神经网络分类器对移动用户行为进行识别.实验结果证明,该坐标转化方法减少了重力加速度和手机放置位置对加速度信号的影响,有效提高了移动用户行为识别的准确率.     

基于随机森林算法的Android恶意行为识别与分类方法

针对当前Android恶意软件检测方法对检测出的恶意行为无法进行识别和分类的问题,提出基于随机森林（RF）算法的Android恶意行为的识别与分类方法. 该方法在对Android恶意软件的类型进行定义的基础上,利用融合多种触发机制的Android恶意行为诱导方法触发软件的潜在恶意行为;通过Hook关键系统函数对Android软件行为进行采集并生成行为日志,基于行为日志提取软件行为特征集;使用随机森林算法,对行为日志中的恶意行为进行识别与分类. 实验结果表明,该方法对Android恶意软件识别的准确率达到91.6%,对恶意行为分类的平均准确率达到96.8%.     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

基于移动用户浏览行为的推荐模型

推荐算法已经被广泛地应用于很多领域。但是如果利用传统的推荐算法预测移动用户浏览互联网的行为,并在此基础上对移动用户进行个性化的内容推荐,传统推荐算法的推荐效果往往比较差。该文通过分析移动用户浏览互联网的记录,得出传统推荐算法效果差的原因。在此基础上,提出了一个基于移动用户浏览行为的推荐模型,即RMBDMU。该模型可以对移动用户浏览互联网的行为进行预测,在预测的基础上对移动用户进行内容推荐。为了验证推荐模型的有效性,在真实的移动用户浏览互联网的行为数据上进行了实验。实验结果显示基于移动用户浏览行为的推荐模型比传统的推荐算法更为有效。     

基于蚂蚁行为的移动机器人局部路径规划

分析蚂蚁依赖自身嗅觉和计程能力的觅食行为,提出机器人修正未知环境中已有路径的方法。对该方法的迭代算法进行计算机仿真。分析比较的结果表明,提出的基于蚂蚁个体具有负反馈特征行为的方法,可作为基于蚁群依赖信息素交流的具有正反馈特征的自催化行为机理的蚁群算法(ACS)的补充,可用于蚁群算法全局路径规划结果基础上的二次寻优,在指导机器人局部路径规划方面,具有正确性、实用性和优越性。     

基于蚁群算法求解Choquet模糊积分模型

为了提高Choquet模糊积分模糊测度的搜索效率,提出改进的蚁群算法求解模型。根据特征数量构建Choquet模糊积分模型,搜索过程中对每只蚂蚁按状态转移概率进行全局搜索或局部搜索,迭代搜索最优解,并由Fisher判别进行分类。试验使用3组癌症基因数据集,利用R语言的Bioconductor工具箱进行数据预处理,并分析对比新模型和主流算法的分类效果。结果表明:在DLBCL数据集和Colon数据集中,基于蚁群算法的Choquet模糊积分得到最好的分类效果;在Prostate数据集中,虽然和基于遗传算法的Choquet模糊积分分类效果接近,但是蚁群算法仍然很快收敛,改进的蚁群算法可以作为求解模糊测度的快速方法。     

基于多策略改进蝙蝠算法的文本特征选择

特征选择是文本分类过程的重要处理步骤,在其他分类预处理环节和分类算法确定的条件下,通过传统特征选择方法很难大幅度提高文本分类的准确率。针对此问题,介绍了一个基于改进蝙蝠优化的新的文本特征选择方法,即利用传统的特征选择方法对原始特征进行预选,在此基础上使用高斯局部扰动和自适应调节权重机制改进传统蝙蝠群算法,并以二进制编码形式对预选特征进行优选,分类准确率作为个体的适应度,提出了多策略改进蝙蝠算法的文本特征选择算法MS-BA,实现对文本特征选择优化模型的高效求解。结果表明,采用MS-BA进行特征优选后,其分类准确率得到有效提高。     

一种极速学习机人体行为识别模型迁移方法

针对移动用户行为识别的问题,提出一种带权值样本筛选的迁移学习方法。该方法通过将训练集分割重构并赋样本权值,依据训练样本在对应极速学习机分类器上的判别结果对其权值进行修改,经过多次迭代后筛选出与迁移样本最相似的训练集,从而构建迁移行为识别模型。测试结果表明,迁移学习后的行为识别模型能有效提高分类正确率。     

基于蚁群算法的车辆状态疲劳特征优化研究

针对疲劳驾驶引起的道路交通安全问题,提出一种改进蚁群优化(IACO)算法对车辆状态疲劳 特征进行优化。 将特征选择问题转化为全连接的无向图,引入 Fisher 分数与最大信息系数来提高搜 索效率、降低特征冗余度。 从车辆状态参数中提取疲劳特征,利用 IACO 算法对疲劳特征进行优化, 得到最优疲劳特征子集。 实验结果表明,IACO 算法的 SVM 分类准确率为 85. 6%、KNN 分类准确率 为 83. 2%,均高于其他常用特征优化算法的分类结果,说明 IACO 算法对疲劳特征的优化性能高于 其他常用特征优化算法。     

基于深度学习的人体跟踪与异常行为识别联合算法

基于深度学习的人体跟踪与异常行为识别算法在实现的过程中,都需要对人体目标进行特征提取。为了优化两次重复的特征提取过程,提高网络工作效率,提出了人体跟踪与异常行为识别联合算法。通过实时多域卷积神经网络(RT-MDNet)实现人体目标的跟踪,以不同的异常行为作为人体跟踪的不同操作域,提取人体目标的共性特征,实现人体的实时跟踪。同时,抽取RT-MDNet网络卷积层输出的高维特征图谱,将特征图谱与长短时记忆网络(LSTM)相结合,通过把握特征间的时序信息,实现异常行为的分类。在中科院提供的CASIA行为分析数据集中选取了6种异常行为对网络模型进行训练和测试。实验结果表明,该模型能够准确实时地跟踪人体目标,同时也能将跟踪目标的行为进行分类,识别率达到89.7%。基于深度学习的人体跟踪与异常行为识别联合算法,将人体目标的特征共享于跟踪与识别,实现了跟踪与识别的有效结合。     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.     

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.     

逆向工程特征参数提取技术研究

逆向工程是从已有实物的测量数据点中提取其特征参数进行模型重建的过程,特征参数的提取是逆向工程的关键技术之一。该文提出了一种新的回转面特征参数提取算法,将蚁群算法应用在逆向工程的特征参数优化过程中,首先建立回转面特征参数提取数学模型,然后运用蚁群算法实现过程优化,从而提取出特征参数,实现回转面图形重建,最后通过实例验证了该算法的有效性,该算法提高了特征参数提取精度和效率,适用于空间任意位置回转面的特征参数提取。     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

动态环境下基于改进蚁群算法的机器人路径规划研究

针对动态复杂条件下的移动机器人路径规划问题,根据全局静态环境先验知识,提出一种改进蚁群算法。在经典蚁群算法的基础上通过调整转移概率,限定信息素强度的上下界,并引入相关策略解决死锁问题,可以避免初期规划的盲目性,增加解的多样性,提高算法的全局搜索能力,进一步减小算法早熟的可能性。在规划过程中,根据动态障碍物运行方向的变化与否,提出了相应的碰撞避免策略,并针对环境突发状况引入Follow_wall行为进行改进。仿真实验证明,该算法优于经典蚁群算法,可有效地指导移动机器人避免环境中的动态障碍物,获取无碰最优或次优路径,并能更好地适应环境的变化。     

基于蚁群算法的硬币识别研究

蚁群算法具有离散性、并行性、正反馈性和鲁棒性,是目前较为先进的优化算法.利用蚁群算法的聚类能力,提出一种硬币识别新方法.根据硬币图像的特点,确定了6个有效的图像纹理特征函数,通过对硬币图像的特征函数值进行蚁群聚类,可有效实现各类硬币图像的识别.实验结果表明,该算法用于硬币识别可达到100%的识别率,并且识别时间较短,是一种有效的硬币识别方法.     

Jamming Recognition Based on Feature Fusion and Convolutional Neural Network

The complicated electromagnetic environment of the BeiDou satellites introduces various types of external jamming to communication links, in which recognition of jamming signals with uncertainties is essential. In this work, the jamming recognition framework proposed consists of feature fusion and a convolutional neural network (CNN). Firstly, the recognition inputs are obtained by prepossessing procedure, in which the 1-D power spectrum and 2-D time-frequency image are accessed through the Welch algorithm and short-time Fourier transform (STFT), respectively. Then, the 1D-CNN and residual neural network (ResNet) are introduced to extract the deep features of the two prepossessing inputs, respectively. Finally, the two deep features are concatenated for the following three fully connected layers and output the jamming signal classification results through the softmax layer. Results show the proposed method could reduce the impacts of potential feature loss, therefore improving the generalization ability on dealing with uncertainties.