基于手机上网记录数据的个体相遇预测

随着反映个体位置信息的数据大量涌现,人类移动行为的研究引起了业界学者的广泛关注。针对个体相遇预测问题,使用用户手机终端上网产生的会话数据进行分析。首先基于用户相遇关系进行复杂网络建模,然后分析了网络拓扑结构特征,同时引入了用户移动性特征和上网行为特征,构造基于随机森林的预测模型,进行个体相遇预测。实验结果表明,相比于传统的网络拓扑结构特征,通过引入用户移动性特征和上网行为特征,能够显著地提升预测性能。     

协同进化PSO算法在瓦斯含量预测中的应用研究

针对影响瓦斯含量的各种因素之间的复杂非线性关系,提出了利用协同进化粒子群优化(HCPSO)算法优化带开关权值的神经网络,来实现煤层瓦斯含量预测.通过使用二进制值0和1来表示神经网络的节点间有无连接,并用二进制编码来调节神经网络的结构;同时使用协同进化粒子群优化(PSO)算法优化神经网络权值,来获得精度较高、结构精简的神经网络模型.实验结果表明,该方法有效提高了瓦斯含量预测的精度,为煤矿瓦斯预测提供了一种新方法.     

面向短文本的动态组合分类算法

 短文本分类是网络内容安全的一种主要方法.然而,短文本固有的关键词特征稀疏和样本高度不均衡等特点,使得难以直接使用现有针对长文本的分类算法.本文提出了一种针对短文本的动态组合分类算法.首先构造出一种树状组合分类器结构,可有效缓解短文本特征稀疏和样本高度不均衡对分类性能的影响;进一步,提出了一种动态调整策略来训练组合分类器,可以根据样本的分布特点自适应地调整分类器的组合结构.测试实验表明,相对于传统的单一分类方法和集成分类方法,动态组合分类算法在短文本分类中可以获得更好的准确率和召回率.     

高光谱-LiDAR 融合的条件随机场分类方法

为有效利用高光谱影像与LiDAR数据的互补性信息,解决单一融合策略造成的场景解译地物边界不准确和分类精度低的问题,提出了一种光谱-空间-高度特征融合、并顾及场景地物类别共生特性的条件随机场分类方法。首先,对两种数据分别提取光谱及形态学特征,对特征集采用图模型进行特征融合,将特征输入概率支持向量机分类器,得到初始分类结果。然后,基于融合特征计算反映像素间类别本质差异的局部光谱-空间-高度协同的异质性值,并统计类别间的空间共生关系。最后,在条件随机场框架内,整合初始分类结果、局部异质性信息及类别共生关系,通过目标函数的迭代求解获得最终分类结果。通过将像素间的权重定义为对应像素位置融合特征的归一化欧式距离的单调减函数,对标记不同但特征差异较大的类别间给予较小的权重,以达到地物边界空间规整化的目的。通过对标记不同但共生概率较大的类别对给予较小的权重,达到保留空间关系稳定的类别对的目的。采用城区场景的美国休斯顿地区数据集和林区场景的中国广西高峰林场两组数据集对提出方法进行了验证。实验结果表明:休斯顿和高峰林场数据集精度分别达到94.00%和92.84%,分类结果的“胡椒盐”现象明显减少,证明了该方法的有效性。     

基于猫群聚类算法的二叉树SVM蛋白质结构类预测

针对传统的基于二叉树SVM分类模型存在不可区分域和误差积累的缺陷,本文提出了一种基于猫群聚类算法的二叉树SVM分类方法,利用猫群聚类算法在各个节点自适应构造二叉树结构。以蛋白质序列的氨基酸相互作用和疏水模式为分类特征,采用本文算法对蛋白质结构类进行预测,实验结果表明,与其他算法相比较,本文算法具有较高的预测精度。     

基于信息增益的特征选择在烟丝致香成分中的应用

烟丝化学成分可以由实验方法提取出来,但其关键致香成分很难确定。针对这一问题,一般采用化学分析方法,但分析耗时比较长。根据烟丝化学成分与香气风格关系,使用基于信息增益的特征选择方法进行提取致香成分。通过计算烟丝化学成分中的每个属性的信息增益,从中挑选出信息增益大于。的值作为特征选择的结果进行分类预测。实验结果表明,使用该方法能够得到较准确的关键致香成分,与传统特征选择方法相比,其特征数据集的分类结果也更加准确,可以作为烟叶香型分类的有效工具。     

基于融合核方程对药物-靶点作用预测研究

利用计算方法预测药物-靶点作用能够有效降低药物研发成本.本文提出一种基于支持向量机的新算法预测药物-靶点信息.该方法通过整合药物-靶点作用信息、药物分子物化特性、蛋白质序列信息,对药物-靶点作用对进行特征提取,并设计新的融合核方程,将药物分子、蛋白质分子信息映射到同一个空间,利用支持向量机对药物-靶点作用进行预测分类.10-CV交叉验证下,本文方法预测总精度为93.25％,与Van-Laarhoven高斯作用核方法相比提高了6.65％.实验结果表明,本文方法可以有效预测药物-靶点之间潜在作用.     

高光谱与机载LiDAR结合的树种分类研究

高光谱遥感图像虽然具有较高的光谱分辨率,但只能提供二维光谱信息,而激光雷达(Light Detection and Ranging,LiDAR)可以提供可靠的三维数据和森林的冠层特征,二者结合能够优势互补,协同提高地物分类能力。基于此,本文提出了一种利用高光谱和机载激光雷达数据进行树种识别的方法,探讨了二者协同对树种精细分类的影响,最后通过公开数据的实验来验证方法的有效性。结果表明,高光谱和激光雷达数据结合后,树种分类精度得到了显著提高。通过本文提出的方法,即使使用少量特征也能大大提高分类精度。整体分类准确率最高达到9321,比单个高光谱数据的分类准确率提高931。     

文本分类中改进型互信息特征选择的研究

互信息是文本分类中常用的特征选择方法.提出了一种新的基于互信息的特征选择方法.首先分析了特征选择影响文本分类精度的因素,将这些因素组合起来表征特征对于分类的强弱,并用公式直观地表示由组合因素计算出的特征值,根据这些值得大小选择对分类影响大的特征.最后理论证明了其可行性,并通过实验证明了该方法在提高分类精度方面比传统方法提高了10%.     

基于DBSCAN和随机森林的单词记忆检索难度预测研究

单词记忆检索是指人在记忆中搜索到一个单词的过程，是单词学习的重要方面。目前关于单词记忆检索的研究非常有限。文中提出一种基于DBSCAN聚类和随机森林的单词记忆检索难度预测模型，通过仿真程序和机器学习算法，从单词自身特征出发预测单词记忆检索的难度。首先开发一个单词记忆检索仿真程序，根据仿真程序结果以及单词的字母组成结构、词性、使用频率构造特征向量，训练一个随机森林回归模型集用于预测单词记忆检索难度七维向量表达。另外，使用DBSCAN聚类算法获取单词难度标签，在此基础上训练一个随机森林分类预测模型用于预测单词的难度分类。实验结果表明：回归模型集平均拟合优度R²值达到了0.906；分类预测模型准确率达到了0.985；模型整体具有较好的鲁棒性。     

结合局部二值模式和卷积神经网络的人脸美丽预测

卷积神经网络(Convolution Neural Network,CNN)用于人脸美丽预测,能学习到深层次的特征表达,但提取的是全局特征,忽略了人脸的局部信息,因此,泛化能力不强。为此,本文提出一种结合局部二值模式(Local binary pattern , LBP)和卷积神经网络的人脸美丽预测算法。首先,利用数据增强技术扩大数据库规模;其次,将LBP纹理图像和原始灰度图像进行通道融合;再采用1×1卷积操作进行通道特征图的线性组合,从而实现网络跨通道的信息整合,提升人脸美丽预测精度。基于大规模亚洲女性人脸美丽数据库(Large Scale Asian Female Beauty Database, LSAFBD)的实验结果表明,该算法在分类和回归预测中均取得了较好效果,优于其他模型的人脸美丽预测算法;表明在卷积神经网络中加入纹理图像能有效提升人脸美丽预测精度。      

基于眼动特征的人机交互行为意图预测模型

针对自适应人机界面对用户行为意图预测的需求,提出一种基于眼动特征的人机交互行为分类及意图预测方法.通过建立简化的界面模型,将用户的行为意图分为5类,设计视觉交互实验收集相关行为意图状态下的眼动特征数据,利用SVM（Support Vector Machine）算法建立分类预测模型,结合差异性分析方法选取眼动特征分量,最终确定连续3个采样注视点的位置X坐标、Y坐标、注视时间、眼跳幅度以及瞳孔直径共15个分量作为特征参数可以获得较好的预测效果,其预测精度可达90%以上.     

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络（Long Sort Term Memory, LSTM）的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且由不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。      

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...     

高维特征选择方法在近红外光谱分类中的应用

针对卷烟近红外光谱高噪和高冗余特点,提出了一种基于随机森林（RF）和主成分分析（PCA）的特征优选方法RF-PCA,建立了5种不同质量级别卷烟的分类模型,并和其他方法进行了比较。该方法能够有效地对高维数据样本进行分类,用于甄别卷烟品质真伪。特征选择可以过滤与分类不相关的特征,而通过PCA方法可以消除冗余特征的不良影响,并可进一步降低特征维数。实验表明:RF-PCA方法能有效地剔除近红外光谱数据中的噪声特征和冗余特征,提高了分类效率。     

一种高分辨率遥感影像分类的特征指数

随着影像分辨率的提高,传统的光谱特征不能有效地描述复杂的高分辨率影像信息,从而影响高分辨率遥感影像的分类。为了弥补传统光谱方法的不足,提出了一种加权对象相关指数(WOCI),并将其应用到基于支持向量机(SVM)的影像分类中。该指数是通过考虑具有相似性光谱的对象来构建的,可全面地描述影像的上下文结构。结果表明与仅考虑光谱特征和像素空间特征进行分类的方法相比,基于WOCI特征的分类结果有更高的精确性,且分类精度提高了7.16%。     

Conditional Mutual Information‐Based Feature Selection Analyzing for Synergy and Redundancy

Battiti's mutual information feature selector (MIFS) and its variant algorithms are used for many classification applications. Since they ignore feature synergy, MIFS and its variants may cause a big bias when features are combined to cooperate together. Besides, MIFS and its variants estimate feature redundancy regardless of the corresponding classification task. In this paper, we propose an automated greedy feature selection algorithm called conditional mutual information‐based feature selection (CMIFS). Based on the link between interaction information and conditional mutual information, CMIFS takes account of both redundancy and synergy interactions of features and identifies discriminative features. In addition, CMIFS combines feature redundancy evaluation with classification tasks. It can decrease the probability of mistaking important features as redundant features in searching process. The experimental results show that CMIFS can achieve higher best‐classification‐accuracy than MIFS and its variants, with the same or less (nearly 50%) number of features.     

基于多任务NR-DenseNet网络的航班延误预测模型

不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。     

基于高光谱影像多维特征的植被精细分类

目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6\%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。