基于属性分类建模的电子产品价值评估技术

为缓解传统电子产品价值评估方式高度依赖专业人员的干预,需要频繁更新评估算法,人工工作量过大的问题,提出基于属性分类建模的电子产品价值评估方法。通过将产品属性进行分类,分别建模产品属性与价值评估结果的映射关系,引入时间信息来增强预测结果的时效性,采用一种缓解数据驱动模型冷启动问题的方法,获得更加精准的价值评估结果。通过在真实的手机回收订单数据集上进行的实验,验证了该模型在减少人工干预的同时取得了较高的电子产品价值评估精度。     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

基于最优分类面的神经网络模式分类方法

用一组训练样本对神经网络进行训练后，网络对训练阶段未曾见过的样本也能正确分类。但传统的神经网络模式分类方法泛化能力不十分理想，而且不稳定。对同一个分类任务，训练样本改变，分类器泛化能力的大小也会改变。该文提出一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面，提高网络的泛化能力，增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力，取得了令人满意的结果。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于主成分分析的股票指数预测研究

预测中输入变量的选取影响预测的速度和精度，传统方法选取输入变量主观性强，预测效果欠佳。本文使用主成分分析法选取输入变量，计算量小，预测效果更好。以沪市综合指数预测为例进行仿真计算，仿真结果表明了使用主成分分析法选取输入变量的有效性，它明显减少了预测时间，改善了预测精度。     

基于气相色谱-主成分分析的红木分类识别方法研究

木材化学分类法的研究较少。通过木材的化学成分和化学计量学方法,从分子的角度鉴别珍贵木材,具有重要意义。本文通过GC-FID实验,采集阔叶黄檀等5种18批次的红木样本的色谱数据,所建立实验方法重现性好。将所得色谱数据,进行色谱峰对齐和自标度化预处理,然后PCA投影。12个建模样本被分成4类,与各样本已知的植物学分类一致。以所建立的分类方法(即PCA投影空间),识别其余6个待鉴别样本,结果准确达到分离聚类。本方法利用现代分析仪器和模式识别法实现了对红木的分类和识别,为珍贵木材的化学分类鉴别法提供理论依据。     

基于超声检测的构件层间粘接缺陷识别方法

超声无损检测广泛用于检测界面粘接缺陷,然而粘接缺陷类型的识别一直是检测的难点.因此提出了一种基于多特征融合和主成分分析提取界面粘接状况回波信号特征的方法.首先通过对缺陷信号回波进行消噪处理,提取了缺陷信号时域和时频域的特征参数,并构成联合特征向量.随后,经过主成分分析消除联合特征向量的冗余信息并降低特征向量之间的相关性,实现降维,选取累计贡献率超过95％的主成分作为粘接类型的融合特征向量.最后用BP神经网络实现缺陷类型识别分类.实验结果表明,这种方法可以有效地识别出粘接缺陷类型,识别率优于单独时频域特征提取方法,为粘接缺陷的分类识别和无损评价提供了技术参考.     

基于主成分的SFLABP网络模型在帕金森氏病分类中的应用

针对BP神经网络学习效率低、容易陷入局部最优等缺点,提出了一种基于主成分分析的混合蛙跳算法(Shuffle FrogLeaping Algorithm)优化的BP神经网络模型。使用主成分分析法对高维数据进行特征提取,作为网络输入;采用混合蛙跳算法优化BP神经网络的权系数和阈值,构建基于混合蛙跳算法神经网络的帕金森病分类模型。最后,以UCI中Parkinson数据为例,实验表明,新模型优于传统的BP网络。     

基于神经网络与贝叶斯的混合文本分类研究

采用向量空间模型(V SM)描述文本,利用隐性语义索引(LSI)技术进行特征重构与降维,构造了BP神经网络文本分类器。将贝叶斯分类技术与前者结合构造了一种混合文本分类器。实验结果表明混合分类器分类准确度和分类速度得到提高。     

基于神经网络的中文文本分类中的特征选择技术

基于神经网络的中文文本分类需要解决的核心问题是特征的选择问题,特征选择涉及选择哪些特征和选择的特征维度两个问题。针对上述问题,提出了信息增益(IG)与主成分分析(PCA)相结合的特征选择方法。通过实验比较分析了不同特征选择方法与特征维度对分类性能的影响,证明了该特征选择方法在基于神经网络的中文文本分类中的优越性,并得出神经网络的特征输入维度在200左右的时候分类性能最佳。     

基于改进BP神经网络的心电信号分类方法

心电信号的准确判别是实现心电监测系统智能诊断的关键。为提高心电信号的分类精度,研究了一种改进BP神经网络的心电信号分类算法。首先对MIT-BIH Arrhythmia Database样本专家标注心拍进行统计分析,选择正常心拍、室性早搏、左束支传导阻滞心拍和右束支传导阻滞心拍作为神经网络识别目标,采用主成分分析法提取25个心拍特征作为样本向量。仿真结果表明,改进BP神经网络具有较好的分类识别能力,整个样本分类准确率为98. 4%。算法收敛速度快,分类精度高,有助于检测和诊断心脏疾病。     

基于不同视角的人脸模型识别方法

对在不同视角下,得到的人脸模型,文中提出一种基于人脸表面的识别方法,采用平面射影变换,将人脸的图像变换到一个相同的图像,使图像对齐;而后运用主成分分析法(PCA)进行分类。基于这种方法,由光线、面部表情、姿态的改变引起的不必要变化就可能被消除或可以忽略。这种方法可以达到比较准确的识别人脸的目的。实验结果显示,文中的方法对人脸模型提供了更好的表达,并且人脸识别的错误率更低。     

基于不同视角的人脸模型识别方法

对在不同视角下，得到的人脸模型，文中提出一种基于人脸表面的识别方法，采用平面射影变换，将人脸的图像变换到一个相同的图像，使图像对齐；而后运用主成分分析法（PCA）进行分类。基于这种方法，由光线、面部表情、姿态的改变引起的不必要变化就可能被消除或可以忽略。这种方法可以达到比较准确的识别人脸的目的。实验结果显示，文中的方法对人脸模型提供了更好的表达，并且人脸识别的错误率更低。     

基于PCA-概率神经网络的P2P流量分类方法研究

随着P2P快速增长带来的网络拥塞等诸多问题,准确识别P2P流量对流量控制具有重要的实际意义.提出利用PCA特征选择方法选择最优特征子集,使用概率神经网络方法对P2P流量与常规流量进行分类.实验结果表明,该方法的分类精确度与准确度有了明显的提高.     

基于特征综合的启动子识别方法

针对真核生物启动子识别的高假阳性现状,提出了一种基于特征综合的真核启动子识别方法。通过提取人类启动子核苷酸联体统计信息作为特征,并使用主成分分析法进行主元提取。将10维主成分特征与2维CpG岛特征进行特征综合,共同作为BP神经网络的输入来识别启动子。对人类基因序列启动子的预测结果表明,不但有效地减小了假阳性,而且具有较好的敏感性和特异性。     

基于神经网络集成的舌苔分类方法

提出一种基于神经网络集成的舌苔自动分类方法。该方法把经单独训练的具有一定差异度的单个BP神经网络加以集成，构成舌苔分类器。试验结果表明，该分类器比现有的舌苔分类方法识别率更高、分类更细、更符合中医舌诊要求。     

基于独立分量分析的人耳识别方法

应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量，并采用基于欧氏距离测度的最近距离分类器进行人耳图像的识别。与传统的主成分分析（PCA）方法相比具有更好的鉴别能力。通过与PCA的对比实验结果表明，该方法具有更高的识别率，对姿态和光照的变化也具有较好的鲁棒性。     

基于云-神经网络的多属性模糊规则分类

针对模糊规则分类中数据边界硬性划分的局限性问题,建立了云-神经网络模型,并提出了基于云-神经网络的模糊规则分类算法.在不影响数据模糊性和随机性的基础上,将数据转化为规则,并利用神经网络的学习能力,进行多属性模糊规则分类,与传统方法相比,该方法在保证数据模糊性和随机性的基础上,提高了模型精度和分类准确率,应用实例表明了该方法的有效性和可行性.     

基于改进的BP神经网络税收预测模型的研究

因为税收数据的非线性、冗余性等特点,传统的税收预测模型的精度都不高.为了提高税收预测的精度,提出了一种主成分分析和BP神经网络相结合的税收预测模型.首先利用主成分分析法对影响税收的8个因子进行处理,消除重复的信息,结果保留了2个主成分作为神经网络的输入,达到了降维的目的,加快了网络训练的收敛速度.然后用BP网络对样本进行训练,仿真结果表明,通过不同模型之间的对比,发现PCA-BPNN模型的预测精度更高,可用性更好,是一种高效的预测方法.     

基于多分类SVM的航空逆变器故障诊断

航空逆变器的可靠性对飞机供电系统的安全性和稳定性尤为重要,但当前对于航空供电器的故障诊断的研究较少,无法为航空逆变器提供有效保障。因此,提出基于多分类支持向量机的故障诊断方法,对航空逆变器的多种故障模式进行诊断。针对故障特征耦合性高的问题,采用主成分分析方法提取故障特征,获取低维度的关键特征。由于逆变器具有多种故障模式,且具有非线性的特点,故采用多分类支持向量机算法进行故障诊断。该算法具有极强的分类能力,是处理小样本、非线性问题的有力工具。实验结果表明,该算法模型可对航空逆变器多种工况条件下的15种故障模式进行有效诊断,并且方法诊断速度快,提高了航空供电系统的安全性。