基于邻域点位置特征的点云数据精简

海量点云数据给存储、传输、处理等带来极大困难。针对现有算法在特征保留与精简后重建模型表面积、体积、重建误差不能兼顾的问题，提出一种基于邻域点位置特征的点云精简算法。该算法根据权值计算投影面、搜寻矩阵大小以及精简比例对目标点云进行精简。将目标点云网格化处理；寻找投影面垂直方向（正、负两个方向），以目标点为中心，获取搜寻矩阵范围内的点；根据搜寻矩阵内点与目标点的位置关系确定其权值；根据所设的精简比例对原始点云进行精简。将所提算法与曲率采样法、均匀网格法和随机采样法进行比较，并从特征保留、表面积和体积变化率这3个方面进行评价。实验结果表明：所提算法的精简结果对特征区域效果优于均匀网格法和随机采样法，与曲率采样法一致；精简结果误差、重建模型的表面积差和体积差总体优于曲率采样法，与随机采样法基本一致，略差于均匀网格法。因此，所提算法既能较好地保留特征，同时又能使重建后的结果模型表面积和体积变化以及误差都较小，综合效果好。     

基于位置的文本特征加权方法研究

TF-IDF是文本特征赋权的常用方法.该方法简单易行,但没有考虑位置因素对特征赋权的影响.通过修改因子,分析不同条件下文本表现形式的差异,提出3个基于位置的文本特征加权方法.随后的文本分类试验表明.此加权模型相比较于传统的方法,均具有较好的文本标注效果.     

基于局部特征的图像实时分类方法

图像分类技术一直以来是图像处理的一个难题,特别是基于内容的网络图像实时搜索和过滤是图像快速分类的基础,利用图像的颜色特征和纹理特征在局部区域进行图像分类,并对敏感区域利用支持向量机SVM分类器来实现多特征的分类,可以快速实时的实现图像分类。     

局部位置特征与全局轮廓特征相结合的图像分类方法

在空间金字塔词袋模型的基础上,针对其空间信息利用不足的问题,本文先计算图像中每一个字典向量的相对位置分布来提取出局部位置特征.然后,用非下采样轮廓波变换和线性判别分析来生成图像的全局轮廓特征.最后,通过局部位置特征与全局轮廓特征相结合的方式提高空间信息利用率,从而提高场景和物体图像分类正确率.为了检验方法的可行性,本文分别在数据库Caltech 101、MSRC和15 Scene上进行实验.实验结果证明,本文提出的方法进一步利用了空间信息,从而提高了分类正确率.     

基于星像位置误差估计星敏感器姿态角偏差的方法

利用传统的反正切法估算星敏感器测量姿态角偏差时,存在因计算量大干扰算法实时性等问题。针对上述问题,文中提出了根据星像位置误差直接估算星敏感器姿态角偏差的方法。通过分析星敏感器姿态测量原理,推导出星敏感器姿态角变化量对星像位置影响的数学关系式,进而在小视场条件下,得到星像位置误差与星敏感器姿态角测量偏差的公式。该公式计算过程简单,避免了大量的反正切计算。仿真结果表明,在相同的仿真实验条件下,该方法的计算时间比传统方法缩短了近四分之一,且该方法的计算精度也优于传统的反正切法。理论推导和仿真实验说明该方法具有计算量小、实时性好且精度较高的优点,具有一定的工程应用价值。     

基于图像匹配的特征点检测方法综述

本文对图像匹配中特征点检测方法进行深入研究,对各种特征点检测算法进行了深入剖析,并对比分析几种主要算法的运行速率和特征检测效率,验证了每种算法的优缺点,对进一步研究发展特征点检测算法奠定基础.     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于深度信念网络的烟叶部位近红外光谱分类方法研究

近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络（DBN）的理论改进并引入光谱特征学习中,解决高维特征间非线性关系的学习问题,采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值;并结合支持向量机（SVM）建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明:DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系,由该算法构建的模型具有良好的特征学习能力和分类识别能力,而且在稳健性、各类别的灵敏度和特效度也更优。     

基于FSVM分类算法的动脉硬化病分类

本文主要对模糊支持向量机的模式分类算法进行研究,对模糊隶属度函数进行选择并计算隶属度值,并对是否患动脉硬化进行分类,实验表明基于模糊训练样本的支持向量机具有高的分类精度。     

基于热点位置分类的电流互感器发热故障判别方法

针对变电设备故障发热特征选择、提取和故障类型判别问题,提出一种基于热点位置分类的电流互感器发热故障判别方法。首先运用CNN神经网络和YOLO融合算法完成电流互感器零部件检测为基础,建立二维坐标参考基准;然后采用PCNN分层聚类迭代方法分割出故障区域,并利用灰度质心法获取故障区域的热点等效中心;最后选择并提取热点等效中心到坐标原点的距离、角度等参数,应用这些参数判别热点位置的故障类别属性,从而实现电流互感器故障类型判别。结果表明,该判别方法准确率高达92,具有较好的实用性和推广性。     

基于BiGRU-Capsule的多标签文本分类

传统的文本分类一般采用单标签形式,但现实生活中多标签文本比单标签文本具有更广泛的应用场景.本文提出一种BiGRU-Capsule模型的多标签文本分类方法,该方法首先通过嵌入层将输入的文本序列转化为向量表示;然后通过BiGRU和Capsule提取文本特征;最后使用sigmoid分类器进行分类.为确保数据量足够,利用今日头条2018新闻标题多标签语料数据集进行实验,将胶囊网络模型作为对比模型进行多标签文本分类实验与分析.实验结果表明:本文模型的多标签文本分类效果得到有效提升.     

基于Logistic回归的数据分类问题研究

数据分类是数据科学的一个重要研究方向,Logistic回归是最基本的分类算法之一.线性回归和Logistic回归都属于线性模型,本文介绍了两者的联系,详细阐述了模型的目标函数和参数训练过程.在经典的模式识别数据集Iris上,应用Logistic回归模型基于部分特征和全部特征维度进行了建模和分类预测.实验结果表明,适合比例的训练集和测试集切分,较高权重特征组合的建模可以获得较高的分类准确率.     

Fingerprint classification based on learned features

In this paper, we present a fingerprint classification approach based on a novel feature-learning algorithm. Unlike current research for fingerprint classification that generally uses well defined meaningful features, our approach is based on Genetic Programming (GP), which learns to discover composite operators and features that are evolved from combinations of primitive image processing operations. Our experimental results show that our approach can find good composite operators to effectively extract useful features. Using a Bayesian classifier, without rejecting any fingerprints from the NIST-4 database, the correct rates for 4- and 5-class classification are 93.3% and 91.6%, respectively, which compare favorably with other published research and are one of the best results published to date.     

基于MongoDB的文本分类研究

文章基于流行的非关系型数据库MongoDB,结合Spark机器学习库中的朴素贝叶斯分类器和支持向量机,对豆瓣影评及京东商评进行情感分类,并采用准确率、召回率、F-Measure等指标对分类效果进行评价,最后测试了Spark-MongoDB平台的扩展性能。     

基于CAE的二次开发分类整理与归纳研究

通用的CAE软件具有强大的工程应用能力和广泛的通用性,但同时也造成了软件通用性不强的特点。针对这一不足,常用CAE软件都提供了可扩展性平台,方便用户根据自身需要随时进行定制开发。文章围绕CAE软件二次开发展开论述,详细介绍了目前常用CAE软件的二次开发方法和思路并举例说明。     

调制方式的动态TOPSIS识别

提出了基于动态理想解法（TOPSIS）的调制识别方法，将各特征参数看成一个整体，对各个调制方式判别打分，根据得分高低来判定调制样式。该方法简单、方便，弥补了传统判决树法判决门限难于选取的缺点，同时克服了神经网络法训练时间长、对算法要求高的难题。仿真验证了所提方法的有效性，在信噪比10 dB以上时正确识别率接近100%。