基于发现特征子空间模型的文本分类算法*

在非结构化数据挖掘结构模型,即发现特征子空间模型(DFSSM)的运行机制下,提出了一种新的文本分类算法——基于DFSSM 的文本分类(TCDFSSM) 算法。该算法在文本训练及分类阶段的基础上增加了自动反馈阶段,使得TCDFSSM具有自学习能力,并给出了文本分类过程反馈阈值的选取算法。结果表明,该算法分类效果良好,其自学习能力、适应性及鲁棒性更加优越。     

基于多分割和口袋方法的最小二乘分类算法

提出了一种改进的最小二乘分类算法,该算法首先利用最小二乘算法对两类数据分类,然后计算每类的中心点,过中心点作已得到的分类线(面)的平行线(面),保留所作平行线(面)之间及线(面)上的数据,剔除其余数据,对剩余数据重新利用最小二乘算法分类,如此循环.在循环过程中利用口袋方法记录下具有最好的分类效果的分类线(面),循环结束后口袋中即为最佳分类线(面).实验结果表明,该算法有效的解决了原有最小二乘分类算法的缺陷,有着良好的分类效果.     

平均分类(Meansort)算法

本文给出了一个基于快速分类(Quicksort)算法的高效算法。人们已经知道,快速分类算法是最有效的分类方法之一。但是,这种方法有一个缺陷,就是在最坏的情况下要进行 O(n~2)次比较。本文给出的算法改进了快速分类算法的平均性能,减少了最坏情况的发生。     

基于属性选择的改进加权朴素贝叶斯分类算法

朴素贝叶斯分类算法简单且高效, 但其基于属性间强独立性的假设限制了其应用范围. 针对这一问题, 提出一种基于属性选择的改进加权朴素贝叶斯分类算法(ASWNBC). 该算法将基于相关的属性选择算法(CFS)和加权朴素贝叶斯分类算法(WNBC)相结合, 首先使用CFS算法获得属性子集使简化后的属性集尽量满足条件独立性, 同时根据不同属性取值对分类结果影响的不同设计新权重作为算法的加权系数, 最后使用ASWNBC算法进行分类. 实验结果表明, 该算法在降低分类消耗时间的同时提高了分类准确率, 有效地提高了朴素贝叶斯分类算法的性能.     

基于文本过滤的贝叶斯分类算法的改进

针对传统贝叶斯分类算法无法满足复杂网络文本过滤需求,提出一种多词 贝叶斯分类算法(Multi Word-Bayes,MWB)。该算法一方面引入了特征权重(Term Frequency-Inverse Document Frequency,TF-IDF)的计算思想,优化了传统贝叶斯分类算法只考虑词频不考虑文本间关系的问题;另一方面将词与词间的关系作为文本分类的重要参考项,克服了传统贝叶斯分类算法在分类器训练上对语义分析的忽视。实验结果表明,MWB在垃圾文本过滤上具有更好的分类性能。     

嵌入代价敏感的极限学习机相异性集成的基因表达数据分类

极限学习机的相异性集成算法(Dissimilarity Based Ensemble of Extreme Learning Machine,D-ELM)在基因表达数据分类中能够得到较稳定的分类效果,然而这种分类算法是基于分类精度的,当所给样本的误分类代价不相等时,不能直接实现代价敏感分类过程中的最小平均误分类代价的要求。通过在分类过程中引入概率估计以及误分类代价和拒识代价重新构造分类结果,提出了基于相异性集成极限学习机的代价敏感算法(CS-D-ELM)。该算法被运用到基因表达数据集上,得到了较好的分类效果。     

UCM算法及其在电子政务网页分类系统中的应用

针对大规模训练集的网页分类问题提出UCM(UC and SVM)分类方法。UCM算法结合了支持向量机SVM(Support Vector Machine)与无监督聚类UC(Unsupervised Clustering)的特点,使网页分类既有较高的准确率,又有较快的分类速度。在训练阶段,UCM算法利用UC方法形成聚类中心;在分类阶段,UCM算法计算待分类网页与正例中心及反例中心的距离,若距离差较大,用UC分类,否则用SVM分类。在电子政务网页分类系统中的应用表明,UCM网页分类算法在准确率方面远高于UC,略高于SVM;在分类速度上,UCM介于UC和SVM二者之间,远大于SVM。     

采用信息排序的SuperParent算法的研究

为了提高贝叶斯分类器的分类性能,Keogh提出了以分类效率为基础的扩展贝叶斯网络分类算法SuperParent-TAN,这是一种依赖一个属性(one dependence estimator)的贝叶斯网络。这种算法不足之处在于查找超父节点(Super-Parent)和创建分类器工作的反复进行,时间花费较大。为了提高这种算法的分类效率,同时保证分类率,设计了基于信息增益和基于互信息的两种排序算法。通过在Weka平台上对UCI中32个数据集合的实验表明,基于信息排序的优化算法可以在保持分类正确率同时降低分类花费。     

基于卷积神经网络的图像分类算法

针对传统图像分类方法分类精度不高的问题,文章采用了两层卷积和池化的卷积神经网络(Convolutional Neural Network, CNN)算法来对图像进行分类。从不同方面将CNN与支持向量机(Support Vector Machines, SVM)、反向传播算法(Back Propagation, BP)进行图像分类的准确率对比,实验结果表明,CNN算法图像分类的准确率高于其它两种算法。     

信念传播算法在分类模型中的应用

本文主要讨论信念传播算法(BP算法)在Bayesian network模型的理论表示以及在分类中的实际应用,与传统的ICM-MRF模型相比,减少了分类时间,提高了分类质量。     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

基于KCF相似度的TLD目标跟踪算法

研究持续单目标跟踪算法时,TLD的架构是一种值得借鉴的方式,但由于其本身的一些缺陷,当跟踪的目标在出现遮挡、快速移动以及光照变化等复杂情况下,TLD跟踪算法容易发生目标跟丢的情况,并造成误差的逐渐累积。鉴于TLD跟踪算法以中值流跟踪算法作为跟踪器存在局限性,本文提出一种基于KCF相似度的TLD目标跟踪算法(TLD-KCFS)。采用KCF算法对TLD跟踪进行实时监督,通过跟踪结果计算出相似度,利用相似度进行检测模块切换的判断,并结合两种结果调整目标跟踪框。通过对多类型的视频序列进行测试后可知,TLD-KCFS算法在遇到模糊和快速移动、目标遮挡、光照变化等复杂情况时,可以稳定且良好地输出跟踪结果,鲁棒性较好,适用于长时间目标跟踪。     

An extended KCF tracking algorithm based on TLD structure in low frame rate videos

The KCF (Kernelized Correlation Filter) algorithm achieved a good performance on target tracking challenges. However, it still has some defects and problems of false tracking in low frame rate (LFR) scenarios, target scale variation, occlusion and out of view target, that exists in the correlation filter based methods. In this paper, we overcome the shortcomings of KCF tracking algorithm based on Tracking-Learning-Detection (TLD) framework. The proposed algorithm trained two classifiers simultaneously, based on semi supervised co-training learning algorithm. Then, we comparatively evaluate the proposed method on TB-100 datasets by other trackers. The experimental results demonstrate that the precision and robustness of the improved tracking algorithm is higher than traditional KCF, TLD and the other top state-of-the-art tracking algorithms in LFR videos.

     

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟 踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法 的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果 ,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后 的位置预测。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于改进DSST的行人遮挡跟踪算法

为解决判别尺度空间跟踪(DSST)算法在行人处于长期完全遮挡后又重新出现的情况下无法跟踪的问题, 提出了一种改进的跟踪算法(DDSST). 在DSST框架下,首先对行人目标跟踪, 然后, 引入高置信度指标计算策略作为跟踪准确可信度反馈机制, 在跟踪丢失时利用可变部件模型(DPM)对跟踪目标重新定位. 最后, 通过评估在线目标跟踪基准(OTB)数据集和实际环境拍摄的视频序列对DDSST算法准确性进行验证, 并与其他跟踪算法进行比较. 实验分析表明, 改进算法相较DSST的距离精度与成功率提高了4.1% 和6%, 相比其他算法性能更优, 且在形变、遮挡、平面外旋转、运动模糊和尺度变换等条件下跟踪更稳定.     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。     

基于改进子空间的盲MMSE多用户检测算法

算法收敛性与计算复杂度之间的矛盾是目前基于子空间的多用户检测技术难以投入实际应用的主要问题。将内部模型法则(IMP)与PAST算法相结合,提出了一种改进的子空间跟踪算法——newPAST-IMP算法,并应用于盲MMSE检测器中。该方法收敛速度快,跟踪性能好且计算复杂度较低。仿真表明,该检测器具有优异的抗多址、多径干扰以及抗远近效应的能力。     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。     

基于粒子滤波的无线传感器网络目标跟踪算法

传感器节点的组织和路由对无线传感器网络(WSN)目标跟踪算法的性能有重大影响.为此,针对具有簇一树型网络拓扑结构的WSN,首先给出集中式粒子滤波跟踪算法(CPFTA)实现的具体步骤,然后提出一种分布式粒子滤波跟踪算法(DPFTA),构建性能评价体系,通过仿真实验给出两种跟踪算法的定量比较,结果表明DPFTA的跟踪精度稍低于CPFTA,但能大幅度减少通信开销,而且具有更小的跟踪反应时间;最后仿真分析了传感器覆盖密度和检测周值对跟踪算法性能的影响.