面向类不平衡网络流量的特征选择算法

针对网络流量分类过程中出现的类不平衡问题,该文提出一种基于加权对称不确定性(WSU)和近似马尔科夫毯(AMB)的特征选择算法。首先,根据类别分布信息,定义了偏向于小类别的特征度量,使得与小类别具有强相关性的特征更容易被选择出来;其次,充分考虑特征与类别间、特征与特征之间的相关性,利用加权对称不确定性和近似马尔科夫毯删除不相关特征及冗余特征;最后,利用基于相关性度量的特征评估函数以及序列搜索算法进一步降低特征维数,确定最优特征子集。实验表明,在保证算法整体分类精确率的前提下,算法能够有效提高小类别的分类性能。     

面向类不平衡网络流量的特征选择算法

针对网络流量分类过程中出现的类不平衡问题,该文提出一种基于加权对称不确定性(WSU)和近似马尔科夫毯(AMB)的特征选择算法.首先,根据类别分布信息,定义了偏向于小类别的特征度量,使得与小类别具有强相关性的特征更容易被选择出来;其次,充分考虑特征与类别间、特征与特征之间的相关性,利用加权对称不确定性和近似马尔科夫毯删除...     

基于Bayesian粗糙集和布谷鸟算法的肺部肿瘤高维特征选择算法

在高维特征选择过程中最优特征子集生成和分类器 参数优化方面,提出一种基于贝叶斯粗糙集(BRS)、遗传算法(GA)和布谷鸟算法(CS) 的两阶段优化高维特征选择算法。该算法首先分析3000例肺部肿瘤CT图像的形状、灰度和纹理特征,提取104维特 征分量共同量化ROI;然后进行两阶段优化:(1) 从全局相对增益函数的角度分析了属性 重要度,结合属性约简长度和基因编码权值函数的加权和构造适应度函数,通过选择、交叉 和变异等遗传操作生成最优特征子集,在不降低分类精确度的前提下降低特征维度;(2) 利用CS对支持向量机(SVM)参数进行全局寻优;最后通过实验验证本文算法的可行性和有 效性。实验结果表明,该算法有效提升了肺部肿瘤良恶性识别能力,降低了算法的时间复杂 度。     

幂变换对雷达目标HRRP识别的性能影响

分析了幂变换对雷达目标高分辨距离像的特性影响.从类别可分性角度研究了高分辨距离像(HRRP)经幂变换后,其类内和类间相关系数变化情况以及对特征提取的性能影响.采用主分量分析法对原始HRRP和经过幂变换的HRRP进行特征提取,用提取后的特征输入支持向量机分类器进行训练和学习.实验结果表明,幂变换减小了HRRP类内和类间相关系数的差别,进而影响特征提取性能.     

入侵数据特征约简方法综述

文中主要研究了目前比较流行的入侵数据特征约简方法,包括主成分分析法(PCA)、独立成分分析法(ICA)、基于粗糙集的属性约简方法以及基于SVM和神经网络实验的特征选择方法。分析比较了各种方法的优缺点、适用场合及其各自在入侵数据特征约简中发挥的作用。     

一种新的基于加权颜色特征的图像检索算法

针对传统基于颜色直方图为特征的图像检索算法的不足,提出了一种新的颜色特征提取算法.利用模糊C均值聚类(FCM)对HSV空间的颜色信息进行聚类,然后对颜色信息进行加权颜色直方图统计,得到主颜色直方图.实验结果表明,新的加权主颜色直方图的图像检索算法比传统颜色直方图具有更高的检索精度.     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

基于子空间中主成分最优线性预测的高光谱波段选择

针对高光谱遥感图像的异常检测问题,为了使高光谱降维数据能更完整地保留其光谱信息,提出了基于子空间中主成分最优线性预测的波段选择方法.采用改进相关性度量的谱聚类方法将高光谱波段划分为不同的子空间,并对各子空间中的波段进行主成分分析(PCA),选择主要分量作为重构目标;以子空间追踪法为搜索策略,从各子空间中选择数个波段对其重构目标进行联合最优线性预测;合并各子空间中的所选波段得到最佳波段子集.实验结果表明,该方法选择的波段子集可以较完整地重构原始数据,与原始数据以及自适应波段选择(ABS)方法、线性预测(LP)方法、最大方差主成分分析(MVPCA)方法、自相关矩阵波段选择(ACMBS)方法、组合因子最优波段选择(OCFBS)方法得到的波段子集相比,其波段子集具有更好的异常检测性能.     

基于KPCA和类峰值特征的模拟电路诊断方法

针对传统的核主成分分析方法(KPCA)无法解决在故障样本交叠严重时多分类性能较差的问题,提出一种基于改进KPCA的特征提取和类峰值特征辅助识别分类相结合的模拟电路故障诊断方法.在预处理阶段,提出了一种图像混合欧氏距离用于建立核函数,进行核主成分分析特征提取,克服了传统KPCA的局限性;并且设计了一种用类峰值特征识别的方...     

一种新的二维特征抽取算法及应用

二维主成分分析方法是直接利用二维图像来构建方差矩阵的。为了充分利用样本类别信息,文章以类间散布矩阵特征向量作为投影方向进行特征抽取。首先用2DPCA先作一次横向压缩,对抽取出的特征矩阵再用2DPCA作一次纵向压缩。与传统二维主成分算法比较,极大压缩了特征的维数,加快了分类速度,提高了识别率。用ORL人脸数据库进行了实验验证,证明了本方法的可行性。     

加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

Research on PCA and KPCA Self-Fusion Based MSTAR SAR Automatic Target Recognition Algorithm

This paper proposes a PCA and KPCA self-fusion based MSTAR SAR automatic target recognition algorithm. This algorithm combines the linear feature extracted from principal component analysis (PCA) and nonlinear feature extracted from kernel principal component analysis (KPCA) respectively, and then utilizes the adaptive feature fusion algorithm which is based on the weighted maximum margin criterion (WMMC) to fuse the features in order to achieve better performance. The linear regression classifier is used in the experiments. The experimental results indicate that the proposed self-fusion algorithm achieves higher recognition rate compared with the traditional PCA and KPCA feature fusion algorithms.     

基于随机非负独立元分析的掌纹识别

提出运用随机非负独立元分析（SN—ICA）的新方法进行掌纹识别。为了减少计算量,运用SN-ICA算法前,先采用主元分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶非负统计特征由SN-ICA分离。首先用PCA和SN-ICA提取投影向量,然后将训练图像和待识别图像向投影向量上投影得到低维特征向量,最后计算特征...     

Novel ECG Signal Classification Based on KICA Nonlinear Feature Extraction

Electrocardiogram (ECG) signal feature extraction is important in diagnosing cardiovascular diseases. This paper presents a new method for nonlinear feature extraction of ECG signals by combining principal component analysis (PCA) and kernel independent component analysis (KICA). The proposed method first uses PCA to decrease the dimensions of the ECG signal training set and then employs KICA to calculate the feature space for extracting the nonlinear features. Support vector machine (SVM) is utilized to determine the nonlinear features of the ECG signal classification. Genetic algorithm is also used to optimize the SVM parameters. The proposed method is advantageous because it does not require a huge amount of sampling data, and this technique is better than traditional strategies to select optimal features in the multi-domain feature space. Computer simulations reveal that the proposed method yields more satisfactory classification results on the MIT–BIH arrhythmia database, reaching an overall accuracy of 97.78 %.     

基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

一种改进的基于ICA特征空间的高空间分辨率影像的目标识别

为解决高空间分辨率影像目标的识别问题,一种好的方式是将充分考虑高阶累积量的独立分量分析方法引入高空间分辨率影像进行特征提取,但由于基于传统独立成分分析方法提取的特征空间不能最优区分不同类别的样本。为此,提出一种改进的基于独立成分分析的目标识别方法（Multi-ICA）。该方法为每个类别的样本构造单独的特征空间,通过投影到特征空间,得到表征该类别样本特征的特征向量集合。Multi-ICA方法提取的特征空间是基于某类样本图像的共性特征建立的,同一类别样本间的欧式距离要小于不同类别样本之间的欧式距离。因此,可以将待识别样本分类到具有最小欧式距离的特征空间所对应的类别上。现以北京地区的高分辨率卫星Quickbird影像为例,进行了Multi-ICA、传统ICA方法、主成分分析（PCA）方法,以及Multi-PCA方法的目标识别对比实验。结果表明,提出Multi-ICA算法的识别率有明显的提高,并且在一定程度上缓解了由于样本数量增加导致样本特征向量维数增加的问题。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

双重降维HOG结合SVM的快速手指静脉识别

为减少手指静脉识别时间,提出一种双重降维方向梯度直方图特征(Histogram of Oriented Gradient,HOG)结合支持向量机(Support Vector Machine,SVM)分类的手指静脉识别方法.针对传统HOG算法特征维数高的问题,首先通过Fisher准则衡量梯度方向区间HOG特征的分类能力...     

采用KPCA和BP神经网络的单目车载红外图像深度估计

提出一种基于监督学习得到深度估计模型的单目车载红外图像深度估计方法。首先用核主成分分析法（KPCA）筛选红外图像特征。将最初提取的红外图像特征用核函数非线性映射到一个线性可分的高维特征空间,再完成主成分分析（PCA）,得到降维后的红外图像特征。然后以BP神经网络为模型基础,对红外图像特征和深度值进行训练,训练后的深度估计模型可对单目车载红外图像的深度分布进行估计。实验结果证明,利用该模型估计的单目车载红外图像的深度信息与原红外图像的深度信息一致。     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。