基于核聚类的嗅觉神经网络对气味模式的识别

嗅觉系统是生物感觉神经系统中非常重要的组成部分。当嗅觉感受器接收到气味刺激时,其将化学信号转换为电信号并传递给嗅球,嗅球对信息进行整合与编码,继而将其传递到大脑嗅皮层,最终产生嗅觉。对于嗅觉神经网络的建模以及嗅觉信息处理的研究有助于理解嗅觉系统是如何有效区分不同种类与浓度的气味。本文在由僧帽细胞、颗粒细胞以及球旁细胞所构成的传统嗅球模型基础上,引人了嗅皮层来构建完整的嗅觉网络模型,并考虑了抑制性突触可塑性在网络接受刺激时的学习作用。其仿真结果表明抑制性突触可塑性可以平衡嗅皮层中兴奋性和抑制性的突触电流,从而使得嗅皮层对于气味刺激表现为特定的发放模式。嗅皮层对于不同种类的气味刺激表现为不同的发放模式,而对于同一种类不同浓度的气味刺激表现为相似的发放模式与不同程度的发放强度。同时提出了基于核方法的层次聚类和模糊聚类算法来实现对不同种类纯气味的识别和对混合气味中各种气味成分的识别。     

基于耦合多隐马尔可夫模型和深度图像数据的人体动作识别

为解决使用RGB图像进行特征提取时容易受外界因素干扰,且计算复杂度高等问题,采用一种更加有效的解决方案,即使用深度数据进行人体动作识别。利用Kinect采集的关节点数据,首先将人体关节划分成五个区域,对每个区域的向量夹角离散化从而描述不同的状态,再通过Baum-Welch算法学习出各区域的多隐马尔可夫模型（multi-HMM）,并使用前向算法建立生成区域与动作类别概率矩阵。在此基础上,对区域及动作类别进行内耦合和间耦合分析,从而表达各关节点之间的交互关系。最后使用基于耦合的K最邻近（KNN）算法完成整体的动作识别。通过实验测试对五种动作的识别率均达到90%以上,并与3D Trajectories等方法进行对比,实验得到的综合识别率高于对比方法,具有明显的优势。     

基于EM的隐马氏过程随机迭代算法及其在生物序列启动子识别中的应用

随着后基因组时代的到来,如何去揭示序列背后隐藏的生命信息已成为当前生命科学探讨的主题。而控制基因表达的正是启动子序列,如何去识别和预测序列的启动子区域是基因研究的重点课题。隐马尔可夫模型是最近几年研究基因最主要的模型。本文首先探讨了EM算法并提出了随机迭代算法,在初始状态分布和散发矩阵都随机假设,而转移矩阵由序列计算出的奈件下时人类启动子序列进行识别,平均识别率达到了92．05％。改进了多分类问题中的“投票策略”,提出了“一票决定”算法,使算法次数由O（N2）降到了O（N）,由此对多个DNA家族进行分类,正确率达90．73％。从结果上看,在两类问题上,支持向量机比隐马尔可夫模型优越,但在处理多分类问题上隐马尔可夫模型却比支持向量机有更强的分类能力。     

基于多窗二值局部熵的特征提取方法及其在红外目标识别中的应用

特征提取是模式分类及识别的重要组成部分.结合局部熵描述图像局部性质的特性,本文提出一种基于多窗二值局部熵的特征提取算法.通过几何矩的规范性变化,使得由多窗局部熵提取出的特征量同时具备了平移及比例不变性,并引入圆形局部窗使得特征量具备旋转不变性.利用最近邻法对标准飞机模式库中的12种飞机及真实红外目标的分类识别实验结果表明,这种方法提取的特征量具有计算简单且对噪声影响不敏感的特性,其性能优于矩不变量及Zernike矩.     

基于K-近邻算法的文本情感分析方法研究

为了识别网络文本的情感倾向性,通过分析文本结构以及情感表达的特点,提出了一种基于K-近邻的文本情感分析方法,将整个文本的情感划分为局部情感和全局情感.建立条件随机场模型,确定文本中的局部情感,通过K-近邻算法计算文本的全局情感.实验结果表明,与传统机器学习方法相比,该方法能细粒度、多层次的分析文本的情感,同时能有效提高情感分析的准确率.     

基于加权核密度估计与微簇合并的密度峰值聚类算法

密度峰值聚类(DPC)算法作为一种基于密度的聚类算法,因其简单高效而得到广泛应用,但DPC算法易将一个高密度类簇划分为多个类簇且极易产生分配连带错误。对此,提出了基于加权核密度估计与微簇合并的密度峰值聚类算法(WEMCM-DPC),利用核密度估计和加权K近邻重新定义局部密度,缩小高密度类簇和稀疏类簇的局部密度差异,使类簇中心的识别更加准确;提出了新的微簇间相似性度量准则,减少数据集中过于稀疏或密集样本对其他样本的影响,为微簇合并提供了依据,并且改善了DPC算法的分配连带错误,使聚类结果更加准确。密度分布不均数据集和真实数据集的实验结果表明,WEMCM-DPC算法的聚类结果优于DPC和4个改进算法。     

基于群体动力学的协同过滤算法及应用

针对传统协同过滤算法稀疏矩阵和推荐精度不高的问题,根据一种社会心理学模型提出了基于群体动力学的协同过滤算法.该算法综合考虑了个体因素和环境因素对用户评分行为的影响,以此来调整传统的评分预测方法,然后为用户进行推荐.实验结果表明,该算法可以明显地提高推荐的精确度,有效地缓解稀疏矩阵问题;同时该算法还可以有效减少积累误差.最后将该算法成功运用在西安景点的推荐服务上.     

局部不变特征匹配的快速内点选择算法

为了快速、准确地从局部不变特征初始匹配中选取内点,提出一种联合利用特征点在位置、尺度和方向上的分布一致性进行内点选择的算法.首先,采用均值漂移算法按视差对特征点对聚类实现粗选;然后找出特征点在类内的K近邻特征,再利用特征的尺度和方向估算每个特征点对所在的二局部图像区域之间的变换参数,并计算K近邻匹配相似度;最后,依据K近邻匹配相似度从粗选获得的候选匹配集中选出内点.实验结果表明,该算法在准确率、召回率和速度方面优于当前最新的内点选择算法,对图像间大幅度的视点、尺度和旋转变化具有较高的鲁棒性.     

全局与局部模型对QSAR/QSPR预报能力比较

针对两组数据进行了比较讨论,试图说明在QSAR／QSPR研究中经常碰到的一个基本问题。第一组为一散布度(diver- sity)很大分子结构多样化的大样本数据;第二组则是按照分子结构相似度筛选出来的散布度较小结构相似的小样本数据。对于第一组数据,因数据集分散,全局模型难以完全描述物质结构特征与其性质之间的关系,所得回归结果很差(检验集相关系数Q2=0．68、平均预报偏差(RMSEP)=40．65)。试采用新近提出的局部懒惰回归(Local lazy regression,LLR)对其进行改善,但实际结果是局部模型的效果更差(Q2=0．60、RMSEP=45．05)。继对散布度较小且相对均匀(结构相似)的数据集用LLR方法建立局部模型,此时得到的预报结果(Q2=0．90、RMSEP=24．66)却明显优于全局模型(Q2=O．86、RMSEP=29．37)。     

基于结构学习的KNN分类算法

KNN（K-Nearest Neighbor）算法和贝叶斯网络分类算法（Bayesian Network,BN）都是目前应用非常广泛的分类算法。本文首先分析了KNN和BN的分类特点,然后在保留了两个算法在分类问题中优点的基础上,提出了基于贝叶斯网络结构学习的KNN算法（BN—KNN）。实验结果表明,BN—KNN算法能够有效地提高分类的正确率。     

ROC curve estimation and hypothesis testing: applications to breast cancer detection

The receiver operating characteristic (ROC) formulation of the two class signal detection problem is well known with its present theory being based on decision theory and psychophysics. Statistical procedures developed for analyzing these human observer detection experiments can be extended to analyzing pattern recognition experiments with computer based classification schemes. This article presents an introduction to statistical estimation and hypothesis testing methodology, which can be employed in analyzing the performance of various classifiers. The methodology will be illustrated by analyzing the performance of two classifiers in a breast cancer detection task.     

Misleading classification

In this paper,we investigate a new problem–misleading classification in which each test instance is associated with an original class and a misleading class.Its goal for the data owner is to form the training set out of candidate instances such that the data miner will be misled to classify those test instances to their misleading classes rather than original classes.We discuss two cases of misleading classification.For the case where the classification algorithm is unknown to the data owner,a KNN based Ranking Algorithm(KRA)is proposed to rank all candidate instances based on the similarities between candidate instances and test instances.For the case where the classification algorithm is known,we propose a Greedy Ranking Algorithm(GRA)which evaluates each candidate instance by building up a classifier to predict the test set.In addition,we also show how to accelerate GRA in an incremental way when naive Bayes is employed as the classification algorithm.Experiments on 16 UCI data sets indicated that the ranked candidate instances by KRA can achieve promising leaking and misleading rates.When the classification algorithm is known,GRA can dramatically outperform KRA in terms of leaking and misleading rates though more running time is required.     

自适应聚合策略优化的密度峰值聚类算法

针对密度峰值聚类算法受人为干预影响较大和参数敏感的问题,即不正确的截断距离dc会导致错误的初始聚类中心,而且在某些情况下,即使设置了适当的dc值,仍然难以从决策图中人为选择初始聚类中心。为克服这些缺陷,提出一种新的基于密度峰值的聚类算法。该算法首先根据K近邻的思想来确定数据点的局部密度,然后提出一种新的自适应聚合策略,即首先通过算法给出阈值判断初始类簇中心,然后依据离初始类簇中心最近分配剩余点,最后通过类簇间密度可达来合并相似类簇。在实验中,该算法在合成和实际数据集中的表现比DPC、DBSCAN、KNNDPC和K-means算法要好,能有效提高聚类准确率和质量。