基于PSO-ELM特征映射的KNN分类算法

针对传统极端学习机算法(ELM)和K近邻分类算法(KNN)在处理分类问题中存在的问题,提出一种基于PSOELM特征映射的KNN分类算法。该算法利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射,并利用粒子群算法(PSO)寻找一组最优的ELM映射参数,再将映射后的特征样本输入到KNN算法中,提高处理线性不可分问题的能力。在多个数据集上的实验结果表明,文中算法比KNN改进算法以及ELM改进算法有更高的分类正确率。     

基于ACO-SVM的光谱分类算法研究

为了实现胡萝卜汁品牌的快速无损鉴别,文章以市售两种品牌的胡萝卜汁为研究对象,通过采集拉曼光谱,并结合支持向量机算法,建立了快速判断胡萝卜汁品牌的分类模型。两种品牌的胡萝卜汁光谱主要在1007 cm^-1,1157 cm^-1,1516 cm^-1这3个谱峰存在差异。先对拉曼光谱进行预处理,再选用蚁群优化算法进行特征选择,最后结合SVM构建分类模型。结果显示,相比SVM直接分类,模型ACO-SVM的最优分类准确率为96.67%,提高了2.5%;其分类时间为7.17 s,缩短了163.31 s。研究表明,基于拉曼光谱分析技术和模式识别算法构建的分类模型能够有效地鉴别胡萝卜汁品牌。     

基于几何特征分析的路面裂缝分类算法研究

道路裂缝是评价公路质量的一个非常重要的指标,不同的裂缝类型关系到不同的危急程度及不同的修补策略的制定.针对高速公路中常见的横向裂缝、纵向裂缝、块状裂缝及龟裂裂缝,提出了一种基于方向及密度特征的路面裂缝分类方法.文中所提方法的主要思想是利用裂缝在方向以及密度分布上的差异性来对裂缝类型进行划分.基本的过程是首先利用方向性特征进行横纵裂缝与块状/龟裂裂缝的提取,其次,根据分布密度特性进一步甄别块状和龟裂裂缝.为了验证文中所提算法的有效性,采用大量实测数据进行测试,通过与其它算法进行对比,结果表明:文中所提方法具有更高的裂缝分类精度.     

基于字符特征的网络设备配置参数比对算法研究

通过分析网络设备中配置文件的运行机理和网络设备的启动运行过程,深入研究了网络设备IOS中文件的分类和不同。结合网络设备IOS中运行文件的属性,阐述了配置文件的形成机理。利用网络设备中运行文件的属性,对配置文件的特征进行分析,依据具体特征,提出了基于＂字符特征＂的配置参数比对算法。     

基于动态谱估计的改进谱减语音增强算法

语音增强是语音信号处理的重要课题。根据基于最小值追踪的谱估计方法,提出了一种非平稳噪声环境下快速追踪噪声变化的方法,将其应用到改进后的谱减法中,以提升语音增强的效果。仿真结果表明,改进后的谱减法能有效降低背景噪声,提高输出语音信号的信噪比。     

信息优先级保护的动态频谱分配算法

为提高海上无人艇编队无线网络频谱利用率,同时满足不同优先级信息的传输需求,提出了一种信息优先级保护的动态频谱分配算法。算法采用完全信息动态博弈模型,引入异步分布式定价（Asynchronous Distributed Pricing,ADP）算法设计效用函数。鉴于传统ADP算法在有较多通信余量时干扰价格定价过高,改进干扰价格定义。为体现优先级对分配的影响,在效用函数中加入信息权重。对效用函数成本部分进一步更改,可在实现高优先级信息优先传输的同时,依据通信速率需求合理分配信道通信容量。经过仿真验证,所提算法在吞吐量和可靠性方面优于基于节点优先级的分配算法。     

一种基于码谱数值算法的改进算法

码谱是一种分析分布式算术码的编码性能和解码复杂度的工具,能有效提高编码性能。码谱的计算一般采用数值算法,该方法是一个迭代计算的过程,时间复杂度很高。针对时间复杂度高这个问题,通过去掉多余的函数精简数值算法,提出一种基于码谱数值算法的改进算法,进而降低时间复杂度。从理论上证明改进数值算法的正确性,实验结果表明,改进后的数值算法能有效提高码谱的计算效率,拓宽码谱的实际应用范围。     

采用SIFT特征的空基动态视频稳定技术

当采用空基平台对道路进行交通检测时,平台沿道路飞行,空基平台姿态不易控制且控制精度较低,此外,由于风速影响和平台自身振动等因素,检测获取的视频图像存在不必要的随机摇摆和抖动,为了去除抖动,改善观测效果,需进行动态观测模式下的视频稳定处理以实现稳定观测.采用改进的SIFT算法进行特征提取,提高了SIFT特征提取的效率,并根据动态视频相邻帧匹配的实际应用,采用邻域搜索方法进行特征匹配,提高了匹配的精度.得到精确匹配的特征点对进行运动参数估计,并采用Kalman滤波对运动参数平滑后进行视频图像的校正补偿,得到稳定的视频输出.该算法精度较高,稳定效果较好,能有效地实现空基平台动态视频稳定处理,便于交通监控,为后续的目标检测与跟踪提供了便利.     

基于特征的自动图像配准算法

提出了一种基于特征的自动图像配准算法，它利用角点检测和相关运算在给定源图像和目标图像上自动寻找侯选匹配点，利用松驰过程确定对应特征点。算法在大多数情况下能自动完成。从实验结果看，该算法获得了理想的拼合效果。     

一种基于SIFT的改进优化特征匹配算法

尺度不变特征变换即SIFT算法存在实时性差,易误匹配等固有问题,本文针对性地提出了特征描述符降维处理和匹配优化解决方案,得到一种能满足更高实时性和精确性需求的特征匹配算法.通过使用特征点为中心的9个同心圆环梯度累计值,构建72维特征向量,进行特征描述符降维,达到简化特征描述的目的,从而减少描述符的生成和匹配时间.此外,结合匹配点择优筛选和RANSAC算法匹配提纯,有效地减少了误匹配.实验表明:改进优化后的特征匹配算法既显著地提高了特征匹配精确度,又改善了算法自身实时性.     

一种改进的基于RANSAC方法的SIFT特征匹配

在图像配准,图像融合,目标识别,图像拼接等领域中,运用SIFT描述子进行特征匹配是一种常用方法,针对传统的消除误匹配的RANSAC算法迭代次数多,计算复杂度较大,在SIFT特征匹配中误配率高的问题,增加了一个原始匹配点对的前道处理环节,引入匹配点对的几何特征定义,根据匹配点对的最近邻点和次近邻点角度差在一定阈值范围内建立预处理模型,剔除误匹配点,减少了参与RANSAC的数据量,提高了RANSAC的运行效率。实验结果表明:与未增加前道处理的RANSAC算法相比,基本消除了误匹配点,提高了图像匹配的准确率。     

稀疏自动编码器视觉特征融合的多弹分类算法研究

准确识别卫星设备等拍摄到的待发射（或飞行途中）导弹类型,实现及时有效防御,是国内外军事领域研究的热点之一。由于战争状态中导弹具有掩饰色,且因外形差别不显著,现有基于底层特征进行导弹分类识别难度较大甚至无法识别。针对这一问题,提出一种基于稀疏自动编码器（Sparse Auto-Encoder,SAE）高层视觉特征融合底层特征提取的新算法,为了提高分类精度,引入迁移学习,借助STL-10样本库局部特征,并将导弹图像局部特征向量一并送入池化层卷积神经网络（Convolution Neural Network,CNN）提取导弹目标对象图像全局特征,通过Softmax回归模型实现导弹分类识别。实验表明,文中提出SAE融合底层特征的导弹分类识别算法较传统基于底层特征及SAE高层特征分类算法具有更高的准确性及鲁棒性。另外,为了避免因新型导弹目标对象缺乏训练而导致分类性能下降甚至失效,算法引入迁移学习实现局部特征提取,实验验证了算法的可行性和准确性。     

一种基于随机森林的改进特征筛选算法

肝癌是一种我国高发的消化系统恶性肿瘤,患者死亡率高,威胁极大。而其预后情况通常只能通过医生的专业知识和经验积累来粗略判断,准确率较差。因此文中在分析随机森林算法的基本原理的基础上,提出一种改进的基于随机森林的特征筛选算法,并应用Python编程设计了一个能够预处理数据、调用这些算法、控制各参数并展现测试结果的系统,最终将该系统应用于肝癌预后预测,比较分析了不同的算法、参数、内部策略对预测精度和计算性能的影响。研究结果表明,随机森林相比剪枝过的决策树具备更好的泛化能力和训练速度,改进的特征筛选算法能够在保证预测精度的前提下显著缩小特征集。     

一种基于颜色特征的自适应目标跟踪算法

针对目标跟踪中出现的不可恢复的形变,运动模糊和尺度变化等问题,容易发生漂移,漏跟和错跟等现象,为此,文中提出一种基于颜色特征的自适应目标跟踪算法。首先,考虑到如何对目标进行描述,颜色特征是目标在运动过程中的一个不变量,采用PCA对目标颜色特征进行降维,得到目标的低维颜色特征。其次,在跟踪过程中,目标的尺度可能会发生变化,从而引入一种自适应尺度估计的方法,减少由于尺度变化而引入干扰信息。最后,结合颜色特征与尺度金字塔的方法,提出一种基于颜色特征的自适应目标跟踪算法。实验表明,提出的算法在跟踪的准确率与成功率这两方面都有明显的提高,在摄像机摇晃等复杂运动场景下,具有较好的鲁棒性。     

基于保局判别投影的声目标特征提取算法

针对现有声目标识别技术鲁棒性较差的实际情况,提出了一种监督性流形学习算法—保局判别投影(LPDP)算法.算法在流形学习保局投影(LPP)算法的基础上,引入了控制类间和类内距离的改进最大边缘标准(MMMC),使得这种特征提取算法既具有线性流形学习算法样本外点学习的优点,又能够有效解决小样本问题,并能在后续的分类中取得良好...     

基于Gabor滤波的表情动态特征提取方法

针对目前动态特征提取方法在提取序列表情特征时人脸外貌特征也一起被提取的缺陷,提出了一种基于Gabor滤波的表情动态特征提取方法。利用Gabor滤波器在频率和方向上的选择特性,在提取表情特征时较好地抑制了人脸外貌特征的提取,从而减少了表情特征中人脸外貌特征的含量。在Cohn-Kanade和CMU-AMP人脸库上的表情识别实验表明,本文方法获得的表情动态特征对表情识别更有效。     

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。     

基于语义特征传播图神经网络的小样本图像分类算法

使用少量样本进行学习和概括的能力是人工智能和人类之间主要的区别。在小样本学习领域,大多数图神经网络专注于将标记的样本信息传递给未标记的查询样本,而忽略了语义特征在分类过程中的重要作用。为此构建了语义特征传播图神经网络,首先将语义特征嵌入到图神经网络中,解决了细粒度图像特征相似性带来的分类准确率低的问题,然后将注意力机制与骨干网络合并达到强化前景并提高特征提取质量的目的,利用马氏距离计算类的相似度得到更好的分类性能,最后使用Funnel ReLU函数作为激活函数进一步提高分类准确率。在基准数据集上实验表明,所提算法相比于基线算法在5类1/2/5样本任务上的准确率分别提高了903%、456%和415%。     

一种基于差异演化的特征子集选择算法

特征子集选择问题一直是人工智能领域研究的重要内容。特征子集选择算法研究是机器学习和数据挖掘等领域的研究热点。提出了基于差异演化算法的特征子集选择算法,实验证明该算法是简单、正确、有效的,并具有良好的收敛性和稳定性。     

基于分类思想的改进粒子群优化算法

针对粒子群算法存在收敛速度慢、收敛精度低且易收敛到局部极值的问题,提出一种基于分类思想的粒子群改进算法。该算法将粒子适度值和适度值均值做差与适度值标准差进行比较,从而将粒子所在区域划分为拒绝域、亲近域、合理域。根据不同区域中粒子的特点选取不同惯性权重和学习因子,使粒子高效地选择自身经验或种群经验,合理增强或减弱粒子全局搜索能力和局部搜索能力。数值实验结果表明,与其他粒子群改进算法相比,新的分类粒子群算法有效加快了粒子的收敛速度,提高了算法的收敛精度,有效改善了算法寻优性能。