卫星遥感数据分类不确定性的容差粗糙集处理

提出一种基于光谱特征邻域的容差粗糙集分类方法,用来处理卫星遥感数据分类中的不确定性问题。利用北京地区Landsat-5 TM数据进行分类试验,将结果与现有容差粗糙集方法分类结果进行对比和统计。结果表明,该方法具有良好的可理解性和稳定性,能够处理卫星遥感数据分类的不确定性,在具有复杂光谱特征地物分类方面具有发展潜力。     

容差粗糙集卫星遥感数据分类

结合粗糙集理论和遥感数据中地物光谱特征空间分布信息,提出了一种基于光谱特征邻域的容差粗糙集分类方法,用来处理卫星遥感数据分类中的不确定性问题。利用北京地区Landsat-5 TM数据进行分类试验,对算法分类过程进行讨论及其分类结果进行验证分析;结果表明：文中方法在可理解性和稳定性上体现出比较好的性质,能够有效处理卫星遥感数据分类中存在的不确定性因素,在具有复杂光谱特征地物分类方面具有发展潜力。     

面向高维微阵列数据的集成特征选择算法

特征选择算法是微阵列数据分析的重要工具,特征选择算法的分类性能和稳定性对微阵列数据分析至关重要。为了提高特征选择算法的分类性能和稳定性,提出一种面向高维微阵列数据的集成特征选择算法来弥补单个基因子集信息量的不足,提高基因特征选择算法的分类性能和稳定性。该算法首先采用信噪比方法选择若干区分基因;然后对每个区分基因利用条件信息相关系数评估候选基因与区分基因的相关性,生成多个相关基因子集,最后,通过集成学习技术整合多个相似基因子集。实验结果表明,本文提出的集成特征选择算法的分类性能以及稳定性在多数情况下均优于只选择单个基因子集的方法。     

特征选择稳定性研究综述

随着大数据的发展和机器学习的广泛应用,各行业的数据量呈现大规模的增长,高维性是这些数据的重要特点,采用特征选择对高维数据进行降维是一种预处理方法.特征选择稳定性是其中重要的研究内容,它是指特征选择方法对训练样本的微小扰动具有一定鲁棒性.提高特征选择稳定性有助于发现相关特征,增强特征可信度,进一步降低开销.在回顾现有特征选择稳定性提升方法的基础上对其进行分类,分析比较各类方法的特点和适用范围,总结特征选择稳定性中的相关评估工作,并通过实验剖析其中稳定性度量指标的性能,进而对比四种集成方法的效用,最后讨论当前工作的局限性,指出未来的研究方向.     

结构感知深度学习的三维形状分类方法

为了解决复杂、海量三维模型的形状识别问题,提出了一种结构感知深度学习的三维形状分类方法.通过联合学习三维模型的几何结构和空间结构,生成具有结构感知的特征向量表示,该特征向量具有更强的识别力与稳定性,在三维形状分类中取得显著的效果.首先,提取优化的多尺度热核特征,并通过CNN学习模型,有效地获取三维形状的几何结构特征;其次,建立多视图卷积学习网络提取三维形状的空间结构特征;最后,通过联合优化学习生成具有结构感知的深度特征表示.文中采用了C++,Matlab,TensorFlow框架实现,并在公开的三维数据库中进行了大量实验,实验结果表明,文中方法获取的深层结构特征对于复杂拓扑结构、大尺度几何形变的三维形状具有稳定性;与相关方法对比,在三维形状分类中具有更高的分类精度.     

基于决策树集成的P2P流量识别研究

为提高分类模型的稳定性,提出基于决策树分类器集成方案用以识别流量。模型首先利用特征选择方法(FCBF)提取最优分类特征信息,按Bagging随机抽样原理形成5个子分类器,依少数服从多数原则生成决策模型。利用两种实验方案在公开数据集上进行测试,结果表明提出的方案比贝叶斯、基于核密度估计贝叶斯方案具有更好的稳定性、模型分类准确率和P2P流量识别准确率,并对此现象进行了解释。     

联合稀疏独立法则及其在疾病分类中的应用

通过有效的特征选择进行疾病分类是当前生物信息学研究的常见问题,从高维基因数据中消除噪声、筛选出存在于低维子空间的特征基因,对预测、诊断和治疗疾病至关重要.基于新兴的联合稀疏优化算法与经典的独立法则,本文提出了联合稀疏独立分类方法.在特征选择时考虑了数据的整体稀疏结构及集体特征之间的关系,弥补了基因表达分析数据小样本信息不足的缺点.而利用独立法则进行疾病分类不仅方式简单、易于实现,并且有效阻断了噪声的相互干扰,具有较好的稳定性.在三个基因表达分析数据集上的疾病分类实验结果表明,新的分类方法具有良好的分类正确率和运行速度.     

一种基于权重的文本特征选择方法

在分析比较几种常用的特征选择方法的基础上,提出了一种引入文本类区分加权频率的特征选择方法TFIDF_Ci。它将具体类的文档出现频率引入TFIDF函数,提高了特征项所在文档所属类区分其他类的能力。实验中采用KNN分类算法对该方法和其他特征选择方法进行了比较测试。结果表明,TFIDF_Ci方法较其他方法在不同的训练集规模情况下具有更高的分类精度和稳定性。     

基于Multi-agent理论的社会网络文体分类方法

针对当前社会网络中的文体分类存在分类效果不理想问题,结合网络文体的多样性、多归属性及动态性的特征,提出了一种基于multi-agent的属性融合和词库关联的网络文体分类方法。首先提取网络文体的特征关键词和词义等基本属性,建立 Multi-agent 的融合分类模型,并给出了基于 Multi-agent 的社会网络文体融合分类算法。实验结果表明该方法与传统单分类器以及其他多分类器融合分类方法相比,不仅可以通过语义特征提取对语义网络中的网络文体进行高精度分类,而且可以实现社会网络文体分类的自动化,具有更高的分类精度与稳定性。     

一种改进的房产档案特征提取与分类方法

针对房产电子档案分类与关键信息提取的问题,提出一种改进的特征提取与分类方法。将文档图像的段落特征和局部像素分布值特征作为房产文档图像的综合特征,利用模板训练支持向量机分类器,实现对入库的房产档案图像的自动分类。实验结果表明,该方法的分类效果和稳定性较好。     

基于双射变换的脱机手写数字识别方法

针对传统特征提取和分类方法速度慢、稳定性差、识别率低等特点,提出了一种基于外围结构特征提取的手写数字识别方法。该方法多次少量地提取经过双射变换后的图像外围结构特征,对每一次提取的特征结合BP神经网络生成相应的分类器,对不同特征的分类结果进行融合得出手写数字的识别结果。实验结果表明,该特征提取方法实现简单,运算量小,大大提高了脱机手写数字的识别率和效率。     

基于形态学属性剖面的高光谱影像集成分类

传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。     

性别鉴别的线性可分性分析

首次从线性可分性的角度探讨了人脸图像的性别鉴别问题。通过对常用线性与非线性特征抽取方法以及一类改进的非线性特征抽取方法的对比分析及不同情况下性别鉴别的实验对比,较全面地考察了各种特征抽取方法所对应的数据的线性可分性及分类效果。首次提出从人脸肤色等角度考虑人脸图像的性别鉴别问题,并给出了指示意义较强的鉴别方法与方案建议。     

模糊支持向量机在人脸识别中的应用

针对人脸图像特征提取领域应用主成分分析和二维主成分分析方法,使用二维特征值求解相关样本隶属度,并利用相关特征值方法进行分类。该方法结合二维特征值,在特征提取时进行人脸图像重构,具有快速稳定和局部特征清晰的优点。通过引入矩阵内积与二维主成分分析特征分类结果进行比较,实验结果表明,在ORL和Yale数据库中利用该方法进行识别分类取得了很好的效果。     

图像纹理特征提取方法综述

纹理是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述,对其进行分类和比较,最后给出了纹理研究领域的主要发展趋势。     

Feature extraction based on the Bhattacharyya distance

In this paper, we present a feature extraction method by utilizing an error estimation equation based on the Bhattacharyya distance. We propose to use classification errors in the transformed feature space, which are estimated using the error estimation equation, as a criterion for feature extraction. The construction of linear transformation for feature extraction is conducted using an iterative gradient descent algorithm, so that the estimated classification error is minimized. Due to the ability to predict error, it is possible to determine the minimum number of features required for classification. Experimental results show that the proposed feature extraction method compares favorably with conventional methods.     

电子鼻鉴别有机磷农药的一种特征提取方法

由于有机磷农药的挥发性与稳定性易受环境的影响,降低了电子鼻在分类鉴别中的精确度与可比性。在定位传感器响应起始点的基础上,截取有效数据,以保证分析结果的可靠性;通过对平均微分法、积分值2种特征提取方法分析,提出了一种面积斜率比值法的特征提取方法;运用主成分分析（PCA）和BP神经网络对3种方法2种农药进行分类计算,结果表明：面积斜率比值法的分类效果最好。     

Fault diagnosis of spur bevel gear box using discrete wavelet features and Decision Tree classification

The wavelet transform (WT) is used to represent all possible types of transients in vibration signals generated by faults in a gear box. It is shown that the transform provides a powerful tool for condition monitoring and fault diagnosis. The vibration signal of a spur bevel gear box in different conditions is used to demonstrate the application of various wavelets in feature extraction. In present work, a discrete wavelet, Daubechies wavelets (db1–db15) is used for feature extraction and their relative effectiveness in feature extraction is compared. The major steps in pattern classification are feature extraction and classification. This paper investigates the use of discrete wavelets for feature extraction and a Decision Tree for classification. J48 Decision Tree algorithm has been used for feature selection as well as for classification. This paper illustrates the powerfulness and flexibility of the discrete wavelet transform to decompose linear and non-linear processing of vibration signal.     

An efficient discriminant-based solution for small sample size problem

Classification of high-dimensional statistical data is usually not amenable to standard pattern recognition techniques because of an underlying small sample size problem. To address the problem of high-dimensional data classification in the face of a limited number of samples, a novel principal component analysis (PCA) based feature extraction/classification scheme is proposed. The proposed method yields a piecewise linear feature subspace and is particularly well-suited to difficult recognition problems where achievable classification rates are intrinsically low. Such problems are often encountered in cases where classes are highly overlapped, or in cases where a prominent curvature in data renders a projection onto a single linear subspace inadequate. The proposed feature extraction/classification method uses class-dependent PCA in conjunction with linear discriminant feature extraction and performs well on a variety of real-world datasets, ranging from digit recognition to classification of high-dimensional bioinformatics and brain imaging data.