基于遗传算法的SAR图像目标鉴别特征选择

针对SAR图像自动目标鉴别的应用,提出了一种基于遗传算法的特征选择方法.首先提取了反映目标和杂波虚警差异的八个特征,分别是:四个空间边界属性特征,一个分形维数特征和三个对比度特征.然后对由八个特征构成的特征矢量采用遗传算法进行特征选择,以选出对于目标鉴别最优的特征序列.遗传算法中适应度函数的设计综合考虑了描述长度、鉴别总错误数以及漏报数等三个因素,使得该适应度函数对于特征优劣的评价更全面.实测数据的实验结果证明了所提算法的有效性.     

SAR图像特征提取与选择研究

特征提取与选择是SARATR的关键技术之一.通过特征提取与选择可以有效地降低数据空间的维数,从而实现对SAR图像的快速、准确解译.本文首先给出特征提取与选择问题的定义及其研究现状,进而对当前常见的特征提取与选择方法进行总结.在此基础上,给出各算法的选取标准.最后探讨了特征提取与选择过程的发展趋势.     

基于改进SFS特征选择BP识别算法

特征选择在BP神经网络算法中起着重要作用,顺序前向选择算法(SFS算法)利用前向搜索叠加的方式,从众多的原始特征中获得对分类识别算法最有效的主要特征,实现样本特征维数压缩。提出一种改进SFS特征选择算法,设计了加权判别函数和测试反馈停止准则。实验证明,改进算法能有效压缩样本特征维数,提高BP网络收敛速度和正确识别率。     

新浪微博反垃圾中特征选择的重要性分析

微博中的垃圾用户非常普遍,其异常行为及生产的垃圾信息显著降低了用户体验。为了提高识别准确率,已有研究或是尽可能多地定义特征,或是不断尝试提出新的分类检测方法;那么,微博反垃圾问题的突破点优先置于寻找分类特征还是改进分类检测方法,是否特征越多检测效果越好,新的方法是否可以显著提高检测效果。以新浪微博为例, 试图通过不同的特征选择方法与不同的分类器组合实验回答以上问题,实验结果表明特征组的选择较分类器的改进更为重要,需从内容信息、用户行为和社会关系多侧面生成特征,且特征并非越多检测效果越好,这些结论将有助于未来微博反垃圾工作的突破。     

基于特征匹配算法的车型识别研究

随着机动车数量的迅速增加,交通管理的难度日益加大与日俱增.毋庸置疑,汽车车型自动识别技术在实现交通领域智能化方面将占据举足轻重的地位,有着深远的现实意义,本文提出了,一种基于特征匹配的汽车车型识别算法,实验证明该算法不仅计算量小、稳定性及准确性高、而且鲁棒性好,所以能从根本上满足识别实时性的要求,从而汽车车型的识别率在很大程度上得到了提高,其应用前景将十分广阔.     

异构特征组选择的水墨画分类识别

针对现有的图像分类学习方法无法对特定对象的分类识别任务进行特征选取的不足,提出了利用异构特征组进行选取的方法,使用水墨画低阶视觉特征对水墨画进行分类识别。该算法首先提取图像中低阶异构特征去描述水墨画独特艺术风格,确定水墨画高阶语义特征和低阶异构特征的对应关系;改进Lasso模型可提取异构特征子集中最可体现此画家典型艺术风格的特征,实现水墨画低阶异构特征和不同作者艺术风格之间的映射关系。采用异构特征组可获得水墨画艺术风格特征信息并对其进行分类识别。实验结果表明,与SVM、Lasso方法相比,该方法能有效地提取异构特征组信息,可以获得水墨画艺术风格深度信息,并能够取得较好的水墨画分类识别性能,提高识别率和鲁棒性,实现水墨画自动分类识别。     

基于双模态融合特征的模糊语音识别研究

针对模糊语音发音机理相近、听觉上容易混淆和容易被智能机器误识的问题,该文设计了一个双模态模糊语音数据库,并提取不同特征用于分类研究.数据库包括语音信号和发音器官运动信号两种模态,共计语音数据6300条,运动信号数据1 268条.提取声学特征与运动学特征,在特征层进行双模态的融合,通过核主成分分析降维来得到双模态融合特征...     

基于多特征的PCB缺陷识别算法研究

印制电路板(PCB)表面的图形品质的检测方法随着PCB的发展而逐渐发展,本文提出了一种基于多特征的AdaBoost算法的PCB板缺陷识别算法.Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器.实验证明基于AdaBoost的PCB缺陷识别算法具有较高的识别率和泛化能力.     

基于CHI与遗传算法的特征选择

在基于Web文本信息过滤系统中通过特征选择找到的最优特征子集直接影响到分类的速度及精度。针对此问题，提出了综合CHI及遗传算法的特征选择方法。首先针对原始特征集，采用CHI统计法进行初始筛选，去除冗余特征及噪声后，对得到的特征子集再采用遗传算法进行第二次特征选择，从而得出代表问题空间的最优特征子集，实现降维并提高了分类精度。     

一种基于boosting特征选择的调制方式识别算法

针对统计调制模式识别方法中特征值提取和分类器设计两个步骤分开研究的现状,将Boosting特征选择和多层前馈神经网络算法结合研究,设计了一种改进算法,给出算法的具体步骤.使用常用特征值进行仿真实验,结果表明这种改进算法在信噪比在0 dB以上达100％的识别率.相比其他的智能分类算法,信噪比在-6 dB以下时改进算法的识别率有明显提高,因此可以较好地适用于认知无线电这种对识别准确率要求高的场景中.同时对其他分类识别的应用场景也有一定的参考价值.     

遗传算法在SAR图像目标鉴别特征选择上的应用

针对SAR图像鉴别特征选择,在候选特征数较多情况下的应用,文中利用遗传算法提出了一种可靠、准确的鉴别特征选择方法。首先介绍了常用于目标鉴别的19个特征。然后利用遗传算法对上述特征进行了选择。并在评价环节中,对原有方法中适应度函数的权值进行了调整。通过对比实验表明,适应度函数权值的调整,能够加速种群的进化速度,提高了鉴别特征选择的准确性和有效性。     

基于聚类的特征选择方法

 本文提出了一种度量特征区分度的定义,进而提出一种基于聚类的特征选择方法CBFS.该方法时间复杂度与数据集的大小和特征个数成近似线性关系,适合于大规模数据集中的特征选择;该方法对数据类型没有限制,适用于混合类型数据.在UCI数据集上的实验结果表明,与文献中的方法相比,本文方法具有较好的性能,说明提出的特征选择方法是有效和实用的.     

基于特征选择的战场数据处理技术研究

面向现代战场中各类感知设备产生海量实时数据,消除冗余及无关数据是提升信息质量,降低军事信息系统资源开销的关键技术。提出了一种基于特征选择的数据降维方法,实验结果表明该方法能够大幅消减噪音数据,有效提升信息质量,降低系统开销,适用于现代战争环境。     

基于小波包变换和特征选择的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

对海雷达目标识别中全极化HRRP的特征提取与选择

充分、有效地利用目标全极化HRRP的特征信息是提高对海雷达目标识别率的研究热点之一。该文利用CST软件仿真建立了7类海上目标在不同方位角下的全极化HRRP数据库。在此基础上,提取了4类共39个特征。提出一种基于归一化互信息(NMI)并利用模拟退火(SA)算法进行优化的全局最优特征选择算法,并命名为NMI-SA。基于HRRP数据集以及9个UCI数据集,利用k-近邻分类器将该算法与另外3种常用的特征选择算法进行对比,结果表明新算法选择的特征具有良好的可分性和较低的冗余度,最终用于分类时的正确率总体优于其余3种算法。最后,用该算法对全极化HRRP的39个特征进行重点分析,选择出25个辨别力强、冗余度低的特征。     

基于两种特征影响度的特征选择

定义了两种特征影响度:一种是特征对类间文档分散程度的影响度,该影响度越大越好;另一种是特征对类内文档分散程度的影响度,该影响度越小越好.然后把这两种特征影响度有机地结合起来设计了一个新的特征选择方法.该方法能够对所选特征进行综合考虑,从而使获得的特征集具有较好的代表性.仿真实验表明,所提特征选择方法在一定程度上能够提高文本分类性能.     

面向恶意网址检测的广谱特征选择与评估

针对恶意网址检测系统的特征选择和降维问题,基于特征选择方法的优化结果提出多种特征子集。利用基于分类器的准确率和召回率等性能评价指标,采用随机森林、贝叶斯网络、J48、随机树机器学习方法,对信息增益、卡方校验、信息增益率、基于Relief值、基于OneR分类器、基于关联性规则、基于相关性等多种特征选择算法所确定的特征子集进行检测。结果表明,除基于相关性特征选择算法确定的特征子集外,其他方法确定的特征子集均具有良好的分类性能,其中基于关联性规则选择的特征子集的维度仅为5,但各分类器基于此特征子集的分类准确率均高达99%以上。     

基于关联规则的特征选择方法

提出了一种基于关联规则的特征选择方法，在市场分析中，人们用关联规则来发掘大量数据集中项目之间的关系。关联规则的方法非常适用于图像分析中的特征选择，可以自动地选出可信度较高的特征。使用这一方法挑选合适的纹理特征用于图像分类，并对结果进行分析。     

新特征选择方法下的信号调制识别

针对通信信号的特点,该文提出了一种适用范围较广的新的特征选择方法。它运用高效、稳健的遗传算法,按照使同一类别特征的集群程度和不同类别特征的分离程度达到最佳的评价准则,筛选出一高质量的特征子集,并结合证据理论的精细结构,在一个较大的信噪比变化范围内,得到了较高的调制识别率,计算机模拟结果证实了该方法的优越性。     

基于多级特征选择的自然场景文本识别算法

针对现有场景文本识别方法只关注局部序列字符 分类,而忽略了整个单词全局信息的问题,提出 了一种多级特征选择的场景文本识别(multilevel feature selection scene text recogn ition,MFSSTR)算 法。该算法使用堆叠块体系结构,利用多级特征选择模块在视觉特征中分别捕获上下文特征 和语义特 征。在字符预测过程中提出一种新颖的多级注意力选择解码器(multilevel attention sele ction decoder, MASD),将视觉特征、上下文特征和语义特征拼接成一个新的特征空间,通过自注意力机制 将新的特征 空间重新加权,在关注特征序列的内部联系的同时,选择更有价值的特征并参与解码预测, 同时在训练 过程中引入中间监督,逐渐细化文本预测。实验结果表明,本文算法在多个公共场景文本 数据集上识 别准确率能达到较高水平,特别是在不规则文本数据集SVTP上准确率能达到87.1%,相比于当前热门算法提升了约2%。