基于机器学习的本体匹配的研究

随着语义Web的不断发展,本体数量日益增加。本体匹配作为本体映射、比较和集成的基础,具有重要的实际意义。本文提出了基于机器学习的本体匹配的算法,对其特点进行了分析,与其他算法相比,该算法具有较好的准确率。     

基于样本空间学习算法的彩色匹配方法研究

提出基于样本空间学习箅法的RGB(Red,Green,Blue)→CMYK(Cyan, Magenta,Yellow,blacK)颜色空间变换方法,仅需测试400组纯色色块,即可在不同的打印 (抖动)模式、墨水和纸张条件下,对RGB→CMYK转换规律进行有效的学习.该算法学习能 力强、打印速度快,通过在模型中增加高次项,提高了彩色匹配的精度,进一步解决了彩色匹 配的自动化和通用性问题.同时,借助于CIELab均匀颜色空间对图像进行动态范围调整,还 起到了减小色偏、突出图像细节、增强图像对比度的效果.     

一种基于彩色分割的改进DSM视差匹配算法

提出了一种改进的视差匹配算法.采用基于图像彩色分割的自适应权重方法,提高了DSM算法中像素点显著性估计的准确度,降低了视差匹配的误匹配率;并利用同一彩色区域的像素视差的相关性,缩小了视差匹配的搜索范围,减少了视差匹配的运算量.使用Middlebury网站的标准测试图像对文中的视差匹配算法进行了评估,实验结果表明,提出的视差匹配算法与DSM算法相比,降低了误匹配率,并且提高了运算速度.     

科学发现中的机器学习方法研究

大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器学习方法,没能抽象出一个通用的智能科学发现研究框架.本文首先总结了科学发现任务中常用的机器学习方法,并将科学任务归类为五大机器学习问题.其次,提出了基于机器学习的智能科学发现研究框架,作为“AI for Science”的典型范例,阐述了一种高效的智能科学发现模式.再次,本文以时域天文学中发现瞬变事件这一科学任务为例,通过实验证明了唯有恰当地结合领域知识后,机器学习算法才能更好地服务于智能科学发现,验证了该框架的有效性.最后进行总结与展望,以期对各领域进行智能科学发现形成参考意义.     

基于彩色纹理匹配的色彩传递方法研究

目前,点匹配和高阶矩的色彩匹配算法,主要是利用Lαβ空间中的亮度信息,在源图与目标图之间进行像素颜色匹配传递。但是,对于一些彩色图像间的传递来说,仅凭亮度信息有时并不能找到最匹配的点,而且,这些方法往往都需要检索整个源图才能找到最匹配的点,相同亮度的点经常都会重复进行匹配,导致上色的速度过慢。本文在亮度匹配的基础上,结合了彩色通道信息进行匹配,并在源图检索过程中,采用了亮度分级的匹配方法,减少了匹配的次数,改进了传递的效果和速度。     

基于彩色的SIFT特征点提取与匹配

由于只是利用图像的灰度信息,SIFT算法不能很好地区分形状相似但颜色不同的物体。针对这一问题,提出了一种基于彩色的SIFT特征点提取算法,并着重分析了多种彩色模型对算法性能的影响。这种算法也是在图像的灰度尺度空间上检测特征点,但其特征向量由各描述子子区域的彩色模型分量的均值组成并在原始的彩色图像上进行计算。实验结果证明了该算法的有效性。     

基于机器学习的文本分类技术的研究

基于机器学习的文本分类是近年来信息检索领域的热门研究技术,并且取得了较大进展.本文对文本分类的定义、文本表示进行了详细的阐述,介绍了SVM等一系列机器学习的文本分类方法和文本分类效果评估手段,指出了进一步的研究方向.     

基于机器学习的自然特征匹配方法

针对增强现实中的三维注册问题,提出一种基于机器学习的图像自然特征点识别方法。基于高斯混合模型进行样本选择,利用模式识别中的分类方法替代特征向量的最近邻匹配,将计算负担从实时阶段转移到训练阶段,利用各匹配点对之间的相似度计算核密度估计的权值,实现相关平面目标的跟踪。实验结果表明,该方法实时性好、相机位姿估计精确,对光照、遮挡、透视等变化具有较强的鲁棒性。     

图象匹配技术

匹配特征、相似性测度以及匹配策略是图象匹配中的三个技术难点,本文深入讨论了这三个方面所涉及的各种方法,并评估和比较了它们的优缺点,指出了存在的问题。     

语义网格中基于多策略学习的Ontology匹配方法

近些年来,语义Web和网格计算这两个方向在各自的研究社区分别发展着,这两方面的交叉即语义网格(semantic grid)则是最近一段时间兴起的研究领域．通过给网格附加语义层,能够促进网格自组织的形成．现有的Gnd社区都是使用集中式的、一致性的、可扩充的Ontology库．超越集中式的语义存储是语义网格发展面临的最大挑战之一．针对网格社区间的Ontology异构性这个问题,提出了一种多策略的Ontology匹配学习方法．它使用多种分类方法来学习Ontology之间的匹配：使用一般的基于统计的分类方法来发现数据实例内部的分类特征;或者使用基于一阶逻辑的学习算法FOIL来发现数据实例之间的语义联系．在单个方法预测的基础上,匹配系统使用称之为最突出的冠军的匹配委员会方法来集成分类结果．实验表明在现实的知识领域中,系统能达到很高的匹配精度．     

一种基于主色调匹配的图像检索方法

在基于内容的图像检索中，颜色作为图像的一种重要视觉信息已得到广泛的应用，主色调可以反映一幅图像的基本面貌，其实质就是用较少的颜色来表示原图像，并且在视觉上与原图像相似，由此，在均匀颜色空间中利用聚类分析的方法将色彩聚类为几种主要颜色，从而实现对颜色的量化，并利用直方图表示主色信息，最后采用直方图交叉算法进行图像的相似度匹配，取得了满意的实验效果。     

一种基于机器学习的属性缺失值模糊填补方法

针对不完全信息多属性决策问题中属性值缺失的情况,为使缺失值的填补更加客观,填补后数据集整体尽量保持填补前的分布,且不丢失已有信息,提出了一种基于机器学习的属性缺失值模糊填补方法。该方法通过寻找不需填补的属性相似的记录,在这些记录中发现需填补属性的可能取值及其概率,按照各取值的概率为缺失值分配相应的取值。该方法的基本思想对于离散型和连续型的数据集均适用。     

基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究

该文在AdaBoost算法的基础上提出了一种图像局部区域相似度的学习架构,利用该架构训练图像局部特征来获得低维数、独特的特征描述子,以实现对图像局部区域高精度地匹配.所提学习架构通过学习图像局部区域相似性得到一组非线性弱学习器对图像局部特征进行描述;同时,在响应函数组合形式和弱学习器权重优化配置方面,针对浮点描述子和二值描述子分别提出了新的补丁相似性度量函数作为目标函数的核函数,提高了图像特征相似性匹配效果.该学习架构不会受限于任何预定义的图像特征信息采集模式,能产生基于灰度信息或方向梯度信息的特征描述子.实验结果表明采用这种学习架构获得的特征描述子,在所有对比描述子中图像局部匹配查准率是最好的.所提学习框架能有效地配置优化描述子弱学习器,能提高图像特征描述子对图像尺度和视角变化的鲁棒性.     

基于MRF和颜色空间的立体图像匹配算法

为了提高立体图像匹配的效率和准确度,对基于马尔可夫随机场（Markov Random Fields,MRF）的立体图像匹配算法进行改进,提出一种基于MRF和颜色空间的立体图像匹配算法。该算法利用颜色距离构建匹配代价函数,以充分利用彩色图像中的颜色信息,并采用加速的信度传播算法进行能量最小化。分别利用灰度信息、RGB信息、HSI信息进行立体匹配实验。实验结果表明,改进后的算法能加快收敛,降低误匹配率。     

基于模式匹配的机器码翻译

机器码翻译是把机器码转换成汇编代码的过程, 常用于反汇编、程序调试、病毒分析等领域. 机器码翻译依赖于描述指令集的一系列表格, 包括指令格式表、操作码表、寻址方式表等. 传统的机器码翻译方法, 通过逐步查询这些表格, 找到对应机器码的汇编码, 从而实现翻译. 由于传统方法查表过程复杂, 导致其翻译速度较慢. 本文提出了基于模式匹配的方法, 通过简化机器码翻译的查表过程, 从而在一定程度上提高机器码翻译速度. 同时, 采用该方法实现的程序开发时间更短、后期维护更容易.     

基于一对一极限学习机的人脸表情识别方法

为了克服极限学习机(ELM)稳定性差、识别率不高的缺陷, 利用支持向量机(SVM)一对一投票式分类算法准确度高的优势, 提出一种改进的表情识别方法. 该方法将一对一分类算法和ELM算法相结合形成一个新的算法即OAO-ELM(One-Against-One-Extreme Learning Machine), 首先, 对样本采用一对一的分类并利用ELM训练成一个弱分类器, 然后, 将这些弱分类器组合成一个最终的强分类器. 预测结果, 采用投票方式. 用Gabor滤波提取表情特征, 由于提取后特征维度很高, 冗余大, 引入主成分分析(PCA)来降维. 基于JAFFE数据库实验结果表明, 该算法在人脸表情识别上具有较高分类识别率和稳定性.