利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。     

基于改进的超球支持向量机的有杆抽油泵故障诊断研究

针对神经网络对有杆抽油泵系统进行故障诊断存在的缺陷以及支持向量机在大规模训练样本或训练样本严重不平衡时的多分类问题求解中能效不足,提出了基于改进分类策略的超球支持向量机多分类算法。赋予3种工作集选择方式的贯序最小优化算法用于支持网格搜索模型以便进行参数寻优,避免了参数选择的盲目性和随意性。根据训练样本规模适时引入核缓存技术和上三角矩阵策略,使得寻优耗时减少。开发了基于Java语言、功能完备的超球支持向量机工具箱HSSVM-1.17。利用HSSVM-1.17对抽油泵工况进行了多分类仿真试验,并与BP神经网络、支持向量机方法加以比较。试验结果表明:改进后的超球支持向量机算法理论严谨、参数寻优迅速、分类精度高、自适应好,适用于采油工程领域中大规模复杂的故障诊断问题。     

电子邮件智能分类的研究

目前,对于电子邮件的分类主要是手动的方法,比如可以将我们收到的邮件选中之后手动标志为重要邮件、公司邮件、业务邮件、资讯邮件、亲友邮件、同学邮件、休闲邮件,没有基本的自动分类方法,没有实现真正意义上的电子邮件智能分类.当前有些电子邮件系统具有过滤功能,也只是根据已有垃圾邮件地址进行简单拦截,也有些系统具有标签的功能,但并没有真正实现电子邮件的智能服务,基于以上情况,此课题使用机器学习的方法提出了邮件智能分美的设计与实现.设计一种智能分类邮件的算法,并将算法应用在邮件智能分类系统中.     

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。     

基于行为的故障诊断系统跟踪自学习算法研究

针对现有绝大多数智能故障诊断系统自适应跟踪设备行为变化能力的不足，对基于行为的智能化故障诊断系统中模糊基函数网络的在线跟踪自学习算法进行了研究，提出了一种在线跟踪故障分类边界的自学习算法。该算法通过带有遗忘因子的样本均值和样本协方差矩阵保存样本所包含的故障可能性分布信息，并在此基础上产生新增样本的目标输出，用于训练FBF网络，以实现故障分类边界的在线跟踪。给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法，用以克服传统方法需要保存大量以往故障训练样本所带来的困难。理论研究和工程应用表明，在线跟踪故障分类边界的自学习算法可以有效地避免神经网络训练过程中的“突然遗忘”现象，是可行的。     

量子BP神经网络在发动机故障诊断中的应用

为了解决普通BP神经网络收敛速度慢、分类正确率低等问题,提出一种量子BP神经网络算法。该算法在普通BP神经网络中引入了量子算法,量子BP神经网络结构由输入层、隐含层和输出层组成,其中,量子神经元的输入和传递函数均由量子比特表示,输出结果为实数。首先,该算法将实数值训练样本变换为量子态训练样本,从而作为算法的输入。然后,通过传递函数,计算量子态权值并更新网络参数以达到训练效果。最后,利用训练好的网络进行故障诊断,并将结果以实数值输出。将该方法应用于发动机故障诊断,实验结果表明,与普通BP神经网络相比,量子BP神经网络算法在收敛速度、分类正确率和执行时间等方面具有明显的优势。     

地基多通道微波辐射计反演大气温、湿廓线的试验研究

利用以北京南郊观测场TP/WVP-3000地基微波辐射计的观测亮温和对应的L波段探空温、湿廓线作为3层BP神经网络算法的训练样本的输入和输出数据,在不同天气条件(晴天、云天无雨)和不同季节(夏、秋)情况下组建训练样本集对BP神经网络进行训练,以探空廓线为标准,考察独立测试样本的计算精度,结果发现:(1)研究构建的BP网络的计算精度明显优于地基微波辐射计自带的网络算法(BP-mp);(2)对训练样本进行分类处理后所构建的网络,其反演精度有所下降,因此不必要对样本进行过细的分类;(3)对于大气廓线的反演,按季节划分比按天气条件划分更有意义。可见,优质的训练样本、合理的网络结构和计算方法、足够多的训练样本数量是提高BP神经网络的泛化能力和反演精度的必要条件。     

基于支持向量域数据描述的快速学习算法

支持向量域数据描述(SVDD)是一种单值分类算法,用于将目标样本与其他非目标样本区分开来.本文引入数学中曲率的概念,根据分类边界线附近支持向量曲率的大小来对训练集进行约减;提出了一种约减型的支持向量域数据描述快速训练算法FSVDD,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而训练时间极大减少,同时分类性能几乎不受大的影响,该算法在大规模训练样本学习中具有现实意义.     

基于稀疏恢复的L_1范数多观测样本凸包分类算法

在传统的统计模式识别中,由于单观测样本的分类受到样本数量的限制,导致最终的识别效果不够理想。针对这一不足,文中提出基于稀疏恢复的L_1范数多观测样本凸包分类算法,利用多张测试样本构成的凸包模型代替传统的单观测样本,通过计算观测样本凸包与各类训练样本凸包的距离进行分类。这在一定程度上改善了单观测样本分类的不足,经过实验对比分析证明了算法的可行性以及优越性。文中算法结果为多观测样本的分类提供了有效的理论基础。     

空-谱协同流形重构的高光谱影像分类

鉴于传统高光谱影像分类大都采用监督学习方法,且仅利用了光谱信息,未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法,该算法基于高光谱影像中地物分布的空间一致性,利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习,并利用测试样本在每一子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征,在训练样本数量较少时仍能得到好的分类效果,有效提升了分类性能。     

涡轮泵实时故障检测的快速支持向量机算法

提出了一种基于边界样本的快速支持向量机(support vector machine,SVM)算法用于液体火箭发动机涡轮泵实时故障检测。算法按一定步长将涡轮泵振动信号分段,再将每个步长信号平分为多段且计算每段信号的均方根、裕度因子和峭度,并将之组合为3维向量作为故障特征,以每个步长信号中的故障样本点数目作为判断故障的依据;算法采用条件正定核函数计算原始样本集中正常样本与故障样本之间的距离,选择边界样本作为新的训练样本集,并以此计算支持向量并构造决策函数。用某型号涡轮泵振动加速度信号对算法进行验证,结果表明对包含5 600个故障样本和5 600个正常样本的原始训练样本集,算法的训练时间为0.68 s。对时长20.80 s的待检信号,算法检出故障时刻为20.43 s,比故障真实出现时刻晚0.42 s(在0.5 s之内)。该算法大幅度提高了训练速度与分类速度,具备良好的精确性与实时性。     

单类支持向量机在涡轮泵试车数据分析中的应用

针对在火箭发动机涡轮泵的故障检测过程中缺乏故障样本的问题，应用单类支持向量机，为高速涡轮泵试车数据分析建立了一种新异类检测超球模型。该模型在仅对正常数据进行训练的基础上便可以进行分类工作，且为了提高训练效率，提出了一种分层式的快速训练方法。对火箭发动机涡轮泵试车数据分析的应用结果表明，该算法具有很高的训练效率，检测结果良好。     

L1 Graph联合转换学习多观测样本分类算法

不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1 Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1 Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS Binary数字数据库、Three Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。     

基于聚类和自适应神经模糊推理系统的数控机床绿色度评价方法

为了实现对数控机床绿色度的智能评价,提高数控机床绿色度预测精度,提出了一种基于聚类和自适应神经模糊推理系统（ANFIS）的评价方法。采用改进的粒子群优化模糊C均值聚类算法实现样本的自适应分类,生成辅助ANFIS学习的训练样本集;建立基于ANFIS的评价模型,通过对训练样本集的学习自动生成模糊规则,消除评价指标的模糊性和随机性对评价结果的影响;训练后的评价模型可用于评价样本的自适应推理。最后利用提出的评价方法对数控机床绿色度进行实例分析,验证了该评价方法的有效性。     

支持向量机增量学习的算法与应用

提出一种新的支持向量机的增量学习算法,分析了新样本加入训练集后支持向量集的变化情况.基于分析结论提出一种新的学习算法.研究了基于支持向量机的山羊绒和细支绵羊毛动物纤维图像识别问题,根据山羊绒和细支绵羊毛动物纤维图像的特点,分别采用自动阈值分割和Top-Hat变换,得到纤维边缘和鳞片边缘.仿真结果表明,基于支持向量机的动物纤维图像识别率高于传统的基于人工神经网络的识别率.     

基于约束线性判别分析的非监督高光谱影像分类方法

针对高光谱影像非监督分类问题,从特征提取的角度提出了一种用于高光谱混合像元分类的非监督约束线性判别分析算法（UCLDA）。该算法首先利用顶点成分分析（VCA）提取端元,然后用光谱角匹配方法（SAM）构造训练样本并基于约束线性判别分析（CLDA）进行特征提取,最后用最小距离法分类。整个算法实现了非监督分类。对模拟的高光谱数据和真实的遥感影像进行了仿真研究,研究结果表明．UCLDA略优于最小二乘光谱混合分析技术．但明显好干经典的井．谱角匹配分娄．     

Support vector machines-based fault diagnosis for turbo-pump rotor

Most artificial intelligence methods used in fault diagnosis are based on empirical risk minimisation principle and have poor generalisation when fault samples are few. Support vector machines (SVM) is a new general machine-learning tool based on structural risk minimisation principle that exhibits good generalisation even when fault samples are few. Fault diagnosis based on SVM is discussed. Since basic SVM is originally designed for two-class classification, while most of fault diagnosis problems are multi-class cases, a new multi-class classification of SVM named ‘one to others’ algorithm is presented to solve the multi-class recognition problems. It is a binary tree classifier composed of several two-class classifiers organised by fault priority, which is simple, and has little repeated training amount, and the rate of training and recognition is expedited. The effectiveness of the method is verified by the application to the fault diagnosis for turbo pump rotor.