基于脑网络组图谱的阿尔茨海默病分类

结构磁共振影像(sMRI)作为一种非入侵式的脑成像方式为人们理解阿尔茨海默病(AD)的患病机制提供了很大的帮助,目前已有大量研究利用从sMRI中提取的特征进行AD的识别。为了充分利用图像信息提取AD相关的特征,提出了一种简单易用的基于人类脑网络组图谱的脑区划分进行特征提取的方法。选取美国阿尔茨海默病神经影像组织(ADNI)数据库中的226例正常被试(NC)和227例AD患者的sMRI数据作为研究对象,提取每个个体脑网络组图谱中各脑区的平均灰质密度作为特征,利用支持向量机(SVM)对NC和AD患者进行分类,通过10折交叉验证的方式得到了85.2%的平均分类准确率。后续的统计分析发现,海马、杏仁核及梭状回等脑区的平均灰质密度对NC和AD患者的识别贡献很大,且这些脑区的萎缩程度与患者的认知能力密切相关。利用最小绝对收缩选择算子(LASSO)对个体的简易智力状态评分(MMSE)进行预测,预测结果与真实值间存在显著的正相关(r0.65, p0.001)。研究结果表明,基于脑网络组图谱脑区划分提取的脑区平均灰质密度特征可以有效地对AD患者进行识别,并可以用来评估个体的认知水平。     

基于纹理特征与ν-SVM的车牌汉字识别

车牌汉字识别是车牌字符识别中的难点,文章通过对二维Gabor小波特征以及支持向量机（Support vector machine,SVM）分类器进行详细的分析,采用二维奇对称Gabor小波作字符特征滤波函数,并通过基于ν-SVM的多类分类器对数据进行训练及分类,设计了一种能够应用于实际系统的汉字字符识别方法。     

基于SURF特征与积分通道特征的车型识别

随着交通问题的日益严峻,智能交通系统技术的研发显得尤为迫切.车型识别系统作为ITS系统的一个重要组成部分,起着关键的作用.针对车辆图像的车型识别,提出了一种基于SURF(speed up robust features)特征与积分通道特征的车型识别方法.实验结果表明,此方法能够对车辆图像的车型进行准确的识别,且简单高效,具有较高的鲁棒性.     

基于统计几何的纹理特征提取及分类算法

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征(SGF)纹理分析方法并与向量机结合构建分类系统。对支持向量机(SVM)的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把一幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

基于核的多尺度纹理特征遥感影像SVM分类

遥感影像的分类精度受到多方面的影响,如遥感影像的质量,所选的分类方法和有效的辅助数据等。为了得到更好的分类结果,很多科研人员提出了各种各样的方法。文中针对遥感影像分类问题,提出一种结合核主成分分析和多尺度纹理的高分辨率遥感影像支持向量机分类方法。实验结果表明,该方法能有效地提取地物类型,提高分类精度。     

基于多特征融合的运动对象识别算法

为提高视频检索的准确率,提出了一种基于多特征融合的视频运动对象识别算法。该算法首先使用基于背景帧构造及关键帧截取的方法提取视频中的运动对象的区域;然后分别提取运动对象的局部特征SURF描述子和全局特征如颜色直方图、边缘直方图等,并使两者融合为统一的特征向量;最后使用支持向量机对特征进行学习和识别,用以识别视频对象。实验证明该算法有效地提高了视频中运动对象识别的准确率。     

基于随机森林和纹理特征的苹果园遥感提取

为准确、快速地从高分影像中获取苹果种植分布信息,以QuickBird遥感影像为数据源,首先采用分形理论和灰度共生矩阵(GLCM)提取纹理特征,然后将提取的分形纹理和GLCM纹理特征分别与光谱特征组合,最后开展随机森林分类实验,对不同分类特征和不同分类方法的实验结果进行比较。结果表明:光谱+GLCM纹理识别苹果园的效果明显优于光谱特征和光谱+分形纹理,其苹果园提取精度为95.99%,比光谱分类显著提高11.83%,比光谱+分形纹理提高1.34%;在相同分类特征下随机森林分类结果最高,其中,随机森林结合光谱+GLCM纹理分类精度最高,总体精度和Kappa系数分别为95.30%和0.94,较最小距离和支持向量机分类有明显提高。     

基于纹理特征和支持向量机的磁共振脑图像组织分类

磁共振脑图像的是医学诊断中的一种重要的手段,在此主要研究磁共振脑图像的组织分类。分类以脑图像各组织的纹理特征为依据。在试验过程中采用区分度较高的特征值,组成特征向量,作为支持向量机的输入,用改进的支持向量机进行分类。在特征向量数据优化和支持向量机参数寻优的条件下,可以取得较好的分类效果。     

结合音质特征和韵律特征的语音情感识别

为了提高语音情感的正确识别率,在情感语音韵律特征的基础上,提出情感语音音质特征的提取.结合音质特征参数和韵律特征参数,采用支持向量机分类器实现汉语普通话生气、高兴、悲伤和惊奇四种主要情感类型语音的情感识别.实验结果表明,语音音质特征参数和韵律特征参数相结合取得的情感平均正确识别率为88.1%,比单独使用韵律特征参数高出6%.可见,语音音质特征是一种较有效的情感特征参数.     

基于基因表达谱的肿瘤亚型识别与分类特征基因选取研究

利用肿瘤基因表达谱建立有效的"预测性"分类模型,对肿瘤的不同亚型进行准确判别并找出决定样本类别的一组特征基因是当前生物信息学研究的重要课题.本文在分析肿瘤基因表达谱特征的基础上,以急性白血病的基因表达谱为例,研究了肿瘤亚型识别与分类特征基因选取问题.在类别可分离性判据的问题上,修正了已有的"信噪比"指标,据此进行无关基因的剔除,并以支持向量机作为分类器进行肿瘤亚型的识别.在特征基因选取问题上,本文从生物学分析出发,首先剔除无关基因和具有较强相关性的冗余基因,然后采用顺序浮动搜索算法进行分类特征基因的选取.实验结果表明了上述方法的可行性和有效性.     

基于图像特征及改进支持向量机算法的交通标志识别

研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取,使用Gabor滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响,通常根据经验来进行参数的选取等问题,使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明,使用研究的交通标志检测方法的检测精度高于其他三种方法,使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。     

联合多维特征的干扰识别技术研究

干扰识别是通信电子防御系统的重要组成部分,针对复杂电磁环境的干扰识别问题,本文研究了联合多维特征的干扰识别技术,从时域、频域和变换域提取了一组对干扰参数、噪声敏感度低且复杂度较低的特征参数,给出了联合多维特征且基于决策树和支持向量机（Support Vector Machine,SVM）的两种干扰识别器结构,并进行了干扰识别性能仿真对比分析。仿真结果表明,这两种识别器对典型电磁干扰均具有良好的识别性能,对于瞄准式干扰、部分频带噪声干扰、噪声调频干扰和脉冲干扰,二者识别性能很接近;对于梳状多音干扰和线性调频干扰,SVM识别器比决策树识别器具有更好的识别性能。      

基于特征融合的海洋哺乳动物声音识别

为了提高海洋哺乳动物声音识别算法的识别率和鲁棒性,提出了一种将梅尔倒谱系数MFCC、线性倒谱系数LFCC和时域特征融合作为特征参数进行声音识别的方法。该方法通过融合不同倒谱系数以增强对不同频段的表征能力,通过融合时域特征来更全面地描述声音信息。声音样本通过基于海洋环境下的预处理、特征提取与融合后,用支持向量机进行分类识别。相对于传统算法只针对一种或几种哺乳动物进行识别,该方法在包含61种海洋哺乳动物声音的样本库中进行测试。测试结果显示该算法较传统的梅尔倒谱系数在识别率上提升了5.5%,且在海洋低信噪比环境下有更好的识别表现。     

基于SVM的通信设备部件识别研究

为解决大型通信设备的部件识别问题,提出了一种将SIFT特征和SVM相结合的分类方法。首先,通过SIFT算法得到样本图片的feature集即特征向量,并通过K-means聚类算法得到中心矩阵,再分别将所有feature集与中心矩阵作欧氏距离计算并统计最小值位置,即可得到输入数据;然后,采用以高斯径向基函数为核函数的一对多SVM分类器进行训练;最后,对新的输入数据进行检测,并得到输出结果。试验结果表明,基于SVM的分类方法能够有效提高分类正确率,并达到92%以上。     

融合纹理特征和形状特征的医学图像分类方法

针对近些年来,女性人群中乳腺恶性肿瘤患者逐年增长的趋势,提出了一种融合纹理特征和形状特征的乳腺超声肿瘤图像的识别方法。该方法不但结合了临床医生的诊断经验,而且有效利用了数字图像特征提取技术,提取出的特征能反映出良性肿瘤和恶性肿瘤的本质区别,将样本进行特征提取并通过支持向量机(SVM)技术分类,该方法取得了良好的分类效果。实验结果证明文中的特征融合方法十分有效。     

基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine, SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题,提出一种基于孪生支持向量机(Twin SVM, TSVM)增量学习算法,并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术,实现车标的精准定位;然后提取车标图像HOG特征,并通过对矩阵的逆运算进行分解和重组,实现TSVM增量学习。最后利用车标数据集训练分类模型,实现对车标的分类。实验结果表明,文中提出的算法在车标数据集上实现了91.77%的识别率,优于其他几种识别算法,证明了文中提出算法的有效性。     

基于Kinect和金字塔特征的行为识别算法

提出了一种基于Kinect和金字塔特征的行为识别算法。在算法中,Kinect不仅能够获得RGB信息,还能获得与RGB信息对应的深度信息;而金字塔特征不仅描述了人体行为的全局形状和局部细节信息,而且还描述了人体行为的空间信息。通过不同核函数的支持向量机(SVM)分类器在具有挑战性的DHA数据集的试验结果表明,金字塔特征在RGB和深度图上都能获得令人满意的性能,且当深度特征和RGB特征融合时,其性能获得了进一步的提高,识别率达到96.2%,远高于一些具有代表性的行为描述子。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。     

基于多重分形特征的通信调制方式识别研究

该文提出一种基于多重分形特征的数字通信信号调制方式识别新方法。对接收信号进行去噪预处理,基于2维数据阵列求取信号的广义维数和多重分形谱;详细讨论了权重因子q对多重分形谱的影响,提取了13个多重分形特征参数;设计了基于多重分形特征的支持向量机分类器对不同信号进行调制方式识别。仿真结果表明,该算法在低信噪比情况下具有很好的识别性能。