基于各向异性高斯分布的视觉跟踪算法

为了提高使用传统特征的有效卷积操作算法（ECOhc）的跟踪性能,提出基于各向异性高斯分布的视觉跟踪算法. 该方法根据不同目标的形状比构造水平和垂直方向上带宽不同的各向异性高斯函数,利用该函数训练跟踪器预测目标位置,提高算法的跟踪精度;提取颜色直方图特征跟踪预测新的目标位置,并在决策层加权融合2个预测位置,进一步提高跟踪精度. 在标准数据集OTB-100、VOT2016中测试算法,本研究算法在数据集OTB-100上的平均距离精度为89.6%,平均重叠率为83.7%,比ECOhc算法分别提高4.67%、6.62%;本研究算法在数据集VOT2016上的平均期望重叠率为33.3%,比ECOhc算法提高3.42%. 所提算法能有效提高目标跟踪的精度,在遇到遮挡、光线变化、变形等干扰时仍能稳定跟踪目标.     

基于特征剪裁的AdaBoost算法及在人脸检测中的应用

针对AdaBoost算法存在训练消耗大并且误检率较高的问题,提出一种基于AdaBoost的高效检测方法.它主要包含一种基于特征剪裁的AdaBoost算法（FPAdaBoost）和一种新的检测扫描方法--确认和跳过检测机制（CSDS）.FPAdaBoost算法在每一轮训练中会根据分类误差剪裁掉一部分特征,提高算法的训练速度;而CSDS检测方法在传统的检测方法基础上引入验证和确认机制,在保证检测率的条件下有效控制误检的发生.在MIT CBCL训练集和MIT+CMU检测集上对提出的方法进行验证,结果表明,FPAdaBoost算法相比原始AdaBoost算法在性能上没有明显退化,但却大大改善了训练速度,同时CSDS检测机制的引入极大地降低误检率,提高检测结果的可靠性.     

基于深度神经网络的蛋白质相互作用预测框架

为解决实验方法中结果存在较高假阳性率和假阴性率的问题,整合蛋白质特征数据,提出一种基于深度神经网络的蛋白质相互作用预测框架。提取蛋白质的GO语义相似性、序列相似性、蛋白质重要性以及亚细胞定位信息,得到低维度的输入数据。然后建立深度神经网络,进行预测。通过使用弃权技术,减少网络中复杂的互适应神经元,总体性能得到提高。预测框架在酿酒酵母蛋白质数据集上的准确率达到95.67%,精确度达到96.38%。实验结果表明:提取的特征数据较适合用于蛋白质互作的预测研究,且构建的基于深度神经网络的蛋白质相互作用预测框架具有出色的泛化性能,在多种数据上都能取得较好效果。     

基于Relief-F算法的心血管介入患者术后死亡风险预测

针对心血管介入患者全周期病理数据普遍存在缺失、不连续、非结构化等问题,建立了心血管介入专病数据库,并采用基于Relief-F算法的预测方法,对心血管介入患者术后死亡风险进行预测。首先参照HL7、CDISC等国际心血管疾病统一标准对各数据源进行标准化处理,建立研究数据集,并对数据进行清洗和预处理;其次采用Relief-F算法对特征进行选择,最终保留30个特征变量;再次选择逻辑回归、支持向量机、随机森林等3种机器学习方法进行建模分析,并采用10折交叉验证方法对分类器进行训练;最后引入准确率等模型评价指标来评估各算法在数据集上的分类预测效果。实验结果表明：随机森林的分类效果在该研究数据集上的表现最佳,准确率达到81.97%,精确率为86.90%,召回率为82.14%,F₁值为0.8441。该研究提出的方法能够客观反映患者术后死亡风险,为心血管介入患者术后死亡风险预测提供了一种有效的解决方案。     

基于改进的LSTM癫痫预测算法研究

癫痫作为一种脑神经系统疾病,因其反复性强和治愈性低的特点,成为了 目前医学界的难题.癫痫的患病率在世界上仅次于急性脑卒中的慢性疾病,达0.4％-1.4％.针对疾病发作的实时预测困难的问题,提出一种基于长短期记忆网络(LSTM)改进的癫痫发作预测算法研究.对经过预处理的电脑信号采用小波变换提取信号中的不同能量特征作为LSTM的输入参数,将电子搜索算法(ESA)和随时间反向传播算法(BPTT)相结合更快更准确地调整网络参数,以实现癫痫病发作的短时预测.与现有的网络预测分类模型LSTM、SVM进行对比试验,本文算法较传统分类算法提高了分类精度,达93.7％.     

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.     

基于蚁群和支持向量机的microRNA预测方法

由于microRNA在生物体系统中起着重要的调控功能,对microRNA进行快速有效的预测很有必要.本文通过使用蚁群算法和支持向量机相结合的思想,结合microRNA的前体pre-miRNA序列特征和结构特征,构造了一种microRNA的预测方法.通过采集Sanger和UCSE数据库中的人类阳性和部分阴性数据集进行学习和测试,同时使用J48和BP神经网络两种机器学习方法进行对比,实验结果显示,使用蚁群算法和支持向量机的方法预测pre-miRNA的识别率达97.471％,与另外两种方法相对比,识别率分别提高了8.736％和10.575％,预测的准确性有显著提高.     

基于脑电高频振荡节律的癫痫始发区快速定位算法研究

最新研究发现癫痫脑电信号中的高频振荡节律(High-frequency Oscillations, HFOs)是定位癫痫始发区(Seizure Onset Zone, SOZ)的重要生物指标.在癫痫致痫灶术前定位的过程中,以癫痫样放电判断癫痫始发区的方法十分耗时,而且癫痫样放电与癫痫发作的关系还不明确,不但增加病人感染疾病的风险,还会造成误诊.本文设计了一种基于高频振荡节律的快速定位算法,利用功率谱密度的差异提取疑似癫痫始发区,再根据曲线模板检出高频振荡节律同步出现的导联;同时基于复Morlet小波将信号变换到时频域进行分析,共同实现癫痫始发区快速定位.经过对4例临床病例处理的结果表明,该算法灵敏度和特异性良好,有助于临床癫痫手术术前精确定位.     

不平衡数据集的CT结肠镜息肉检测方法

目前CT结肠镜的息肉检测分类器面临着数据集不平衡问题,数据集中的正样本(息肉)的数量远远小于负样本．针对这个问题,息肉检测分类器采用SMOTEBoost,结合SMOTE(Synthetic Minority Over-Sampling Technique)和Boosting:在数据层面,采用过采样技术SMOTE合成少数类样本,减轻数据集中两类样本的不平衡程度;在算法层面,采用Boosting方法提高弱分类器的性能,两者结合起来,既改善对少数类样本的预测能力,又保证了对整个数据集的分类精度．为了满足息肉检测对算法实时性的需求,采用MRMR(Minimum Redundancy Maximum Relevance)方法挑选最大相关、最小冗余的简单特征组成级联第1层强分类器,拒绝大多数负样本,极大地提高了分类器的处理速度．实验结果表明:设计的分类器检测直径大于5 mm息肉的敏感度达到90％,每个数据体6个假阳．     

基于注意力和自适应权重的车辆重识别算法

为了解决车辆重识别算法受类内差异性与类间相似性的干扰无法充分表示车辆特征的问题，提出基于注意力机制和自适应损失权重的车辆重识别算法.该算法采用改进的主干网络ResNet50＿ibn，避免了颜色、光照、视角等客观因素的干扰，提取关于目标的不变性特征.搭建基于注意力机制的组表示网络，融合特征间的相互依赖关系，从不同分组的特征表示中提取更加丰富的特征信息.设计自适应损失权重计算损失函数，使用多损失函数策略对网络模型进行训练.该算法在公开数据集VeRi776与VehicleID上的首位击中率和平均精度均值分别达到了96.0%、79.8%和81.5%、80.9%.实验结果表明，利用该算法提取的特征更具判别性，综合性能优于现有的其他车辆重识别算法.     

基于范数和相关性的GSM天线组合选择算法

针对广义空间调制系统(GSM)在相关信道下进行天线选择时,不能兼顾高信道增益和天线间低相关程度问题,该文提出一种基于范数和相关性的递增发射天线组合选择算法.首先计算所有天线组合的范数并排序.其次选出范数最大的天线组合加入候选集中,最后从剩余集中选取与候选集中天线组合相关程度最低的天线组合逐个加入候选集.该算法将有效信道...     

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram-Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。     

一种改进的行人检测方法

针对AdaBoost（Adaptive Boosting）算法耗时长,检测精度低的问题,提出一种将支持向量机（Support Vector Machine,SVM）与AdaBoost算法相结合的方法,采用多尺度（Histogram of Oriented Gradient,HOG）特征描述行人不同尺寸区域的特点,在样本权重更新过程中引入非行人样本的误检率,训练了一个级联结构的行人分类器.结果表明：选择特征数目为5个时,改进后的AdaBoost算法检测率和计算时间分别为99.8%和577.66s.在INRIA行人数据库上训练了一个六层结构级联分类器,使用特征数目为46个时,检测率达到96.74%,而误检率仅有3.26‰.     

分布式波束成形的迫零用户选择方案

为了实现在系统总人数大于基站发送天线数条件下,对多小区系统中小区间和小区内用户干扰同时抑制的目的,提出一种基于迫零算法的分布式波束成形的用户选择算法.算法将整体用户分为可一同参与迫零算法和不可一同参与的两类,并利用信道之间的弦距去选择可一同参与迫零算法的用户,实现波束成形向量与未参与迫零的本地信道之间的准正交,同时分析和证明了该算法的有效性.仿真结果表明,新算法在不同发送天线数和总用户数条件下,其吞吐率性能均优于传统算法.     

结合特征选择和优化随机森林的无线网络数据丢失重建

基于K邻近(KNN)算法和随机森林算法,提出了一种无线网络中丢失数据的重建方法。首先将多维原始数据通过不稳定无线信道进行发送,接收端将接收到的完整原始数据集中,利用KNN算法筛选出部分和重建特征相关性较高的特征,用于构造随机森林模型。然后输入缺失的数据样本,随机森林模型自适应地对数据样本进行分类,并利用完整样本对缺失特征值进行预测,从而完成丢失数据的重建。最后通过仿真实验表明,该方案可以有效地提升数据重建的精确度,在数据丢失率达到80%的情况下,重建数据的准确率仍然优于现有的解决方案。     

基于SVM的中文文本分类算法

提出了一种基于支持向量机的中文文本分类算法,介绍了文本分类过程中的文本表示、特征提取和SVM算法等关键技术.最后进行了实验和分析,由实验结果可以看出,该方法在精确率和召回率等方面能够达到比较好的效果.     

认知用户信道随机选择和最优选择策略的性能比较

在认知无线电的研究中,认知用户SU以怎样的访问模式共享主用户PU的空闲信道.是一个值得探讨的问题.假定PU信道的状态变化为泊松分布,SU在物理层使用OFDMA调制技术.比较了随机和最优两种信道选择策略对SU用户有效数据传输率的影响,并研究了这两种策略下SU数据传输率的解析表达式.依据这两种策略的规则和流程进行了相应的计算机仿真,分析了仿真图的变化趋势.结果表明这两种策略在主用户整个频谱空间信道数一定的情况下,将视SU接入信道数的多少而各有优势.     

基于SVM特征选择的整经轴数预测算法

提出了一种基于改进支持向量机（SVM）特征选择算法及神经网络的整经轴数预测算法,该算法采用改进SVM算法选择影响整经轴数的关键特征,在此基础上利用前馈神经网络获得整经轴数的预测值. 在数值计算及实际制造企业的应用效果表明该算法有效,能满足实际棉纺生产过程整经轴数预测的需要.     

基于特征值准则的可变数目天线选择算法

提出了多输入多输出相关信道下基于特征值准则的可变数目收发天线选择算法,来动态适应相关性不同的无线环境的通信要求.算法根据特征值准则,利用最小特征值和特征值总和之比,来确定选择的发送或接收天线数目,并通过每次循环中选择最大特征值所对应的发送或接收天线实现具体的天线选择;为了进一步降低算法复杂度,还可使用特征值估计来代替特征值分解.算法能够结合链路自适应技术,如自适应调制技术和动态检测算法选择等,来提高数据速率或误码性能.理论分析和仿真结果表明:所提算法能够根据多输入多输出信道的相关特性动态选择天线数目,即使在信道相关性很高时,仍然可以在保证误比特率的前提下,获得与信道相关性较低时几乎相同的数据速率.