基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性,该文采用了一种改进的特征选择方法-基于概率抽样的ReliefF算法,并将其引入到集成所用的Bagging方法中。实验结果表明,该文提出的基于改进的ReliefF算法的神经网络集成分类模型的泛化能力优于Bagging方法。     

基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性,该文采用了一种改进的特征选择方法一基于概率抽样的ReliefF算法,并将其引入到集成所用的Bagging方法中。实验结果表明,该文提出的基于改进的KelietT算法的神经网络集成分类模型的泛化能力优于Bagging方法。     

基于BP神经网络和Bagging算法的入侵检测

提出基于Bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的检测性能。     

基于神经网络集成的思维脑电信号分类方法

提出基于神经网络集成算法的思维脑电信号分类方法,采用BP神经网络为分类器,对用AR参数提取的思维脑电特征进行分类。为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分类效果。     

基于多特征融合和BoostingRBF神经网络的人脸识别

提出一种多特征信息融合的人脸识别方法.应用Zernike矩方法和非负矩阵分解法(NMF)分别提取具有旋转不变性的人脸几何特征和人脸子空间投影系数特征,将这两种具有一定互补性的特征串行融合,得到一个分类能力更强的特征.在此基础上,采用RBF神经网络进行人脸识别.为了提高神经网络的分类准确率和泛化能力,采用Boosting方法进行网络集成.实验结果表明,提出的算法利用较少样本数据即可快速地进行人脸识别.     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于改进二维主成分分析及神经网络的人耳识别方法

针对人耳识别特征提取阶段二维主成分分析算法(2DPCA)所提取的人耳特征维数较大,从而造成实时性差、数据存储空间不足等问题提出了一种改进方法。该方法首先对人耳图片进行预处理,然后采用改进的两级2DPCA算法,进一步压缩提取的人耳特征维数,最后采用BP神经网络进行分类识别。实验表明,将改进的两级2DPCA算法同BP神经网络相结合,具有较好的实时性,同时节约了特征数据的存储空间,并保持了较好的识别率。     

基于LNMF分解的人脸识别

人脸识别在模式识别领域的发展和应用方面都有着重要意义,目前是一个非常活跃的研究方向。在基于子空间方法的人脸识别中,提出用局部NMF方法提取人脸子空间特征,该方法能够提取图像的局部特征信息,有利于提高人脸识别率。文章将Bagging思想用于神经网络,进一步提高神经网络的分类准确率和泛化能力。     

不平衡数据分类的混合算法

针对传统分类算法处理不平衡数据时,小类的分类精度过低问题,提出一种径向基函数神经网络和随机森林集成的混合分类算法．在小类样本之间用随机插值方式平衡数据集的分布,利用受试者特征曲线在置信度为95％下的面积为标准去除冗余特征;之后对输入数据用Bagging技术进行扰动,并以径向基函数神经网络作为随机森林中的基分类器,采用绝大多数投票方法进行决策的融合和输出．将该算法应用于UCI数据,以G均值和受试者特征曲线下的面积为评判标准,结果表明该方法能够有效地提高中度和高度不平衡数据的分类精度．     

基于Bagging的概率神经网络集成分类算法

目前的神经网络较多集中在以BP算法为基础的BP神经网络上。针对BP神经网络的不足,在分析研究概率神经网络和机器学习的基础上,结合集成学习的思想,提出了基于Bagging的概率神经网络集成分类算法。理论分析和实验结果都表明,提出的算法能够有效地降低分类误差,提高分类准确率,具有较好的泛化能力以及较快的执行速度,能够取得比传统的BP神经网络分类方法更好和更稳定的分类结果。     

基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别研究

在分析人耳Gabor特征基础上,提出一种主成分分析降维并利用基于粒子群优化训练的人工神经网络对部分遮挡人耳进行识别方法。选取了PCA方法降维后人耳图像的Gabor特征值作为人工神经网络训练样本,利用粒子群优化算法与多层前馈网络结合算法训练神经网络。与多种方法对比的实验表明,针对部分遮挡人耳的测试实验,基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别方法具有高识别性能,取得好的效果。     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。     

一种融合小波变化和张量PCA的人耳识别的算法*

小波变换具有良好的时频分析特性,而且具有较快的算法特点,同时还能起到降维的作用。张量主成分分析方法用于人耳识别能获得比PCA方法更高的识别率。综合利用这两个算法的优点,提出了一种新的人耳识别方法,对人耳图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,最后利用最近邻的方法实现人耳图像识别。实验结果表明,利用此方法与只用主成分分析识别相比,提高了识别率。     

基于词向量和卷积神经网络的垃圾短信识别方法

对垃圾短信进行过滤识别研究具有重要的社会价值和时代背景意义。针对传统的人工设计短信特征选择方法中存在数据稀疏、特征信息共现不足和特征提取困难的问题,提出一种基于词向量和卷积神经网络（CNN）的垃圾短信识别方法。首先,使用word2vec的skip-gram模型根据维基中文语料库训练出短信数据集中每个词的词向量,并将每条短信中各个词组所对应的词向量组成表示短信的二维特征矩阵;然后,把特征矩阵作为卷积神经网络的输入,通过卷积层的不同尺度卷积核提取多尺度短信特征,以及利用1-max pooling池化策略得到局部最优特征;最后,将局部最优特征组成融合特征向量放入softmax分类器中得出分类结果。在10万条短信数据上进行的实验结果表明,在特征提取方式相同的情况下,基于卷积神经网络模型的识别准确率能够达到99.5%,比传统的机器学习模型提高了2.4%~5.1%,且各模型的识别准确率均保持在94%以上。     

基于卷积神经网络特征融合的人脸识别算法

为提高卷积神经网络的识别性能,提出了一种基于多种卷积神经网络模型的特征融合方法。论文通过构建一个深度学习网络,将多种卷积神经网络模型如ResNet、InceptionV3和VGG19提取的特征进行融合,并将融合后的特征应用到人脸识别中,据此训练出特征融合网络模型的网络参数;最后利用计算求出的阈值来区分类别。实验结果表明,在人脸库LFW数据集上,论文算法的人脸识别率可达98%;与现有的单一卷积神经网络相比,论文算法识别率更高。     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

基于小波分解和优选的VLBP特征的表情识别方法*

提出一种基于小波分解和优选的VLBP特征的表情识别方法。该方法首先通过小波分解将原始图像分为几个不同频率的子图像来增强图像信息,然后用VLBP算子对不同频率的子图像运用不同的分块大小提取特征,采用神经网络贡献分析对特征进行选择,最后用SVM分类器进行识别。实验表明,该方法比单纯从原图像中提取VLBP特征更加有效,识别率更高,并且VLBP特征的提取速度快,可用于实时的人脸表情识别。     

一种端到端的自然场景文本检测与识别模型

提出了一种结合卷积神经网络和递归神经网络的有效的端到端场景文本识别方法。首先使用特征金字塔(FPN)提取图像的多尺度特征,然后将引入残差网络(ResNet)的深度双向递归网络(Bi-LSTM)对这些特征进行编码,获得文本序列特征,进而引入注意力机制(Attention)对文本序列特征进行解码达到识别效果。在ICDAR2013、ICDAR2015数据集实验验证了该算法的有效性,该方法不仅降低了训练难度,而且提升了网络的收敛速度,提高了文本识别准确率。该方法的有效性在ICDAR2013、ICDAR2015数据集上得到了充分验证。