一种无约束的最优判别向量集

在正交约束条件下,求使Fisher准则判别函数式取极大值的向量,这样的最优判别向量就是F-S最优判别向量集。基于Fisher判别准则函数式,提出了一种无约束的最优判别矢量集,并给出了求解算法。另外,当训练样本矢量数小于样本矢量维数（即小样本问题）,类内散布矩阵奇异,为了使它非奇异,采取对样本进行降维的措施,那维数至少要降到多少维才能确保它非奇异,给出了计算公式。实验结果表明鉴别矢量集有良好的分类能力。     

半监督学习的运动想象脑电信号分类

为了减少枯燥和耗时的训练进程和提高脑机接口系统的分类率,将半监督学习运用到了运动想象脑电的分类中,提出了一种基于分段重叠共空间模式的自训练算法,将分段重叠共空间模式作为特征提取算法,使用少量标记的数据进行学习,然后使用置信度评估准则从未标记样本中挑选信息量大的样本来提高线性判别分类器的性能。提出的算法在少量标记样本和大量未标记样本的帮助下,能够获得比基于共空间模式作为特征提取的自训练算法和基于滤波带宽共空间模式作为特征提取的自训练算法有更好的分类效果。使用2005 BCI竞赛的数据集Iva来证明算法的有效性,结果表明了提出的算法能有效提高运动想象脑电的分类率。     

分类器选择的IDS系统入侵检测方法

为了提高IDS入侵样本检测的速度,提出了分类器选择的入侵检测方法.该方法充分考虑到线性分类器在数据分类操作中的速度优势,以线性可分度判定的的结果为基础,灵活选择(非)线性分类器进行数据分类,较之单一的SVM分类方法,虽然增加了额外的线性判别的系统开销,却因此获得分类性能的极大提升.在KDD Cup99数据集上进行实验,...     

基于边界判别投影的数据降维

为了提取具有较好判别性能的低维特征,提出了一种新的有监督的线性降维算法——边界判别投影,即,最小化同类样本间的最大距离,最大化异类样本间的最小距离,同时保持数据流形的几何形状.与经典的基于边界定义的算法相比,边界判别投影可以较好地保持数据流形的几何结构和判别结构等全局特性,可避免小样本问题,具有较低的计算复杂度,可应用于超高维的大数据降维.人脸数据集上的实验结果表明,边界判别分析是一种有效的降维算法,可应用于大数据上的特征提取.     

一种变形Fisher判别准则函数及最优判别向量集

基于Fisher判别准则函数式,提出了一种无约束的最优判别矢量集,并给出了求解算法,另外,当训练样本矢量数小于样本矢量维数（即小样本问题）,类内散布矩阵奇异,此时求F-S最优判别向量集及文中提出的无约束的最优判别矢量集都已不可行,对此提出了一种变形的Fisher判别准则函数,并给出了求解最优判别向量集算法。用ORL标准人脸库进行实验,实验结果表明,提出的两种最优判别向量集都有良好的分类能力。     

基于优化判别模型的蛋白质分类方法*

在远同源检测的蛋白质分类方法中,基于判别模型的分类器相对于其他方法取得了最高的准确性,但这类方法都面临训练建模时因正类样本不足导致的训练不平衡问题。为此提出一种基于优化判别模型的蛋白质分类方法,通过对正负样本设置不同的惩罚系数,平衡分类器正负训练集的权重,进一步提高基于判别模型的分类器性能。比对实验表明,基于优化判别模型的方法取得了更高的准确性,并且通过参数优化,该方法可以提高所有基于判别模型的分类器性能。     

Bagging-SVM集成分类器估计头部姿态方法

针对现有常用分类器性能不能满足头部姿态估计对准确率的要求,以及光照变化影响头部姿态估计准确率的问题,提出了一种基于Bagging-SVM集成分类器的头部姿态估计方法。首先,通过图片预处理和Adaboost检测人脸区域算法减少背景、光照等干扰因素对于头部姿态特征提取的影响。其次,采用融合方向梯度直方图(HOG)特征和局部二值模式(LBP)特征分别对人脸的轮廓特征和纹理特征进行提取。然后,通过主成分分析(PCA)对融合的头部姿态特征进行特征选择,抽取其主元特征分量供分类器进行训练。最后,通过Bagging方法构建多个训练数据集,并采用支持向量机(SVM)对每个数据集进行训练,产生多个弱分类器,多个弱分类器投票决定测试样本所属类别。将该算法在Pointing’04数据集、CAS-PEAL-R1数据集和自建数据集上进行验证实验,实验结果表明提出的算法相比线性判别分类器(LDA)、朴素贝叶斯分类器(NB)等常用分类算法具有更高的分类准确率,对光照的变化具有较好的鲁棒性。     

不同来路海洛因近红外光谱的支持向量机模式识别

应用支持向量分类方法,将云南省9个地区缴获的1148个海洛因样品,用近红外漫反射光谱在4 000 cm-1～10 000 cm-1范围内吸收系数数据集合,构建判别毒品来路的分类器.光谱数据选取了指纹波数区段5 990 cm-1～7 500 cm-1,以及最大和较大吸收系数的41个波数的光谱数据.针对一对一算法的五分类问题,采用两种分类法C.SVC和v-SVC,4种核函数,分别以默认参数和优化参数,得训练集模型有效率和检验集的预报总精度.比较各种模型后,确定了152个指纹区波数,线性核函数的L-152 C-SVC作为分类器模型.该模型对已知分类的5个地区随机选取的训练集样本,在10-交叉检验下的有效率是90.74%,对不包含洲练集的其余全部已知样品,其预报总精度是88.71%.5地庆分类统计计算的敏感性、特异性、相关系数的评价都较好.最后,又试用该分类器于未知地毒品的来路辨认.与报道的模式识别比较,工作没有止于训练集给出模型,检验集判断预报效果的已知样品,又走出了重要一步,即识别训练集和检验集之外的未知样品.     

一种基于线性SVM的级联分类器的构造方法

为了对目标进行快速的检测,提出了一种新的基于支持向量机的级联式分类器的构造方法。该级联分类器由若干个线性SVM弱分类器构成,结构简单,分类时间极快。针对级联结构中的每个节点的训练给出了一个新的SVM框架下的二次规划模型,这使得每个节点都有较高的正样本检测率和适当的负样本错检率。实际的实验结果表明,与经典非线性SVM分类器相比,这种分类器在保持SVM较强泛化性能的优点的同时,在检测效率方面更是具有明显的优势。     

基于K均值聚类的分段样本数据选择方法

为了提高神经网络分类器的性能,提出一种基于K均值聚类的分段样本数据选择方法.首先通过K均值聚类把训练样本根据已知的类别数进行聚类,对比聚类前后的各类样本,找出聚类错误的样本集和聚类正确的样本集;聚类正确的样本集根据各样本到聚类中心的距离进行排序并均分为五段,挑选各类的奇数段样本和聚类错误的样本构成新的训练样本集.该方法能够提取信息量大的样本,剔除冗余样本,减少样本数量的同时提高样本质量.利用该方法,结合人工和UCI数据集对三种不同的神经网络分类器进行了仿真实验,实验结果显示在训练样本平均压缩比为66.93％的前提下,三种神经网络分类器的性能都得到了提高.