基于局部随机性的YASS隐写分析方法

提出了一种针对YASS(Yet Another Steganographic Scheme)隐写算法的专用检测方法.根据B块的大小,分析8×8数据嵌入子块的位置,并提取子块DCT低频系数局部随机序列的4个统计量作为特征,结合Fisher线性分类器进行分类.针对YASS及其改进算法的实验表明:此方法能有效检测YASS隐写得到的含密图像,相比现有方法,其检测率有明显提高.     

基于语义分类的文物图像标注研究

由于图像数据中普遍存在的“语义鸿沟”问题，传统的基于内容的图像检索技术对于数字图书馆中的图像检索往往力不从心。而图像标注能有效地弥补语义的缺失。文中分析了图像语义标注的现状以及存在的问题，提出了基于语义分类的文物语义标注方法。算法首先通过构建一个Bayes语义分类器对待标注图像进行语义分类，进而通过在语义类内部建立基于统计的标注模型，实现了图像的语义标注。在针对文物图像进行标注的实验中，该方法获得了较好的标注准确率和效率。     

改进的AdaBoost分类器在视频中的体育场景检测

提出了一种使用改进的AdaBoost分类器来检测体育场景的方法。将电视新闻中的体育场景分为三类：草地运动，冰雪运动和人造场地运动。针对这几种不同的体育场景，提取颜色直方图、边缘方向直方图和共生矩阵纹理等3种低层视觉特征，然后用改进的可自动选择特征的boosting方法为每一类体育场景分别建立AdaBoost分类器。该文提出的方法应用在国际视频处理评测TRECVID2003中的“体育场景”语义特征抽取任务上，取得了很好的效果。     

改进的SVM分类器在人脸检测算法中的研究

复杂背景下的人脸检测是近几年来的研究热点,在军事、医疗、安全等多个领域具有广泛的应用前景。本文主要针对人脸检测存在的漏检率和误检率比较高等问题,利用支持向量机的全局优化性和核函数参数的调节作用等特性,拟通过引入支持向量机(SVM)作为AdaBoost算法的弱分类器,从而提高人脸检测的精度、速度和降低人脸检测的误检率。     

基于四分位偏差分形维与高斯混合模型的故障识别算法研究

针对四分位偏差分形维对信号幅值大小和分布敏感的缺点,提出了适用于故障识别的四分位偏差分形维改进算法,将四分位偏差分形维及其截距组成特征向量,应用高斯混合模型进行故障模式描述(QDFD-GMM),并采用贝叶斯分类器进行故障识别.分别采用QDFD-GMM和基于重构相空间与高斯混合模型算法(RPS-GMM)对同一组故障齿轮振动信号进行分类,结果表明:QDFD-GMM具有更高的识别率和运算速度,具有更强的鲁棒性.     

基于Rough集方法的RS-MAXNET网络分类器模型

Rough集（RS）理论中如何补偿或拓展Rs约简的局部决策规则使之更加接近全局规则是一个重要的议题。本文提出RS与MAXNET网络结合拓展建立盼MAXNET全局网络分类器模型。基于上述模型进行的脱机手写模式识别算法说明了其有效性。     

基于纹理信息的水果图像识别方法仿真研究

研究水果图像自动识别问题.由于外界噪声的干扰,影响自动识别的准确率.针对传统水果分类系统依靠人工或者特殊传感器件的局限,同时识别算法由于水果图像的颜色特征和纹理特征复杂,造成识别难度增大等缺陷,提出了一种新的计算机视觉和图像的水果自动分类识别系统.针对于对水果图像进行特征取值,特别是对颜色不同的水果进行识别.首先利用水果的HSV颜色表达,提取稳定的颜色特征;另外利用小波变换所生成的共生矩阵,提取水果的纹理特征.将这两种特征结合,并利用K最近邻分类器进行水果的分类和识别.经仿真结果证明了利用水果颜色和纹理特征的结合,可以有效的实现不同水果的自动分类,并比较传统单一的特征有更高的分类准确率.改进方法设备简单,分类准确率高,无需训练的优点,特别适宜在农业生产领域广泛应用.     

基于依存句法分析与分类器融合的触发词抽取方法

事件检测与分类是事件抽取的关键环节,触发词抽取是完成事件检测与分类的主流方法。提出了一种事件触发词抽取方法,该方法针对单一触发词抽取方法没有充分利用依存句法分析信息且召回率不高的问题,通过综合利用依存句法分析信息和其他信息抽取触发词-实体描述对的方法来提高触发词抽取的召回率,然后将触发词-实体描述对抽取结果与单一触发词抽取结果相融合以避免召回率提高所带来的准确率下降问题。在ACE2005中文语料上进行实验,该方法在事件检测与分类任务中取得较好效果,F值分别达到了69.0%和66.2%。     

通过Boosting改进基于EP的分类器

显露模式(EP)是支持度从一个数据集到另一个数据集显著提高的项集. EP具有很强的区分能力,可以建立很好的分类器.提出了一种通过Boosting改进基于EP的分类器的算法BoostEP. BoostEP使用Boosting技术建立多个基于EP的基分类器形成组合分类器,并对每个基分类器预测加权投票得到未知样本的类标号.在UCI机器学习数据库的21个基准数据集上的实验表明,BoostEP的分类准确率足以与NB,C4.5,CBA和CAEP等优秀分类法相媲美.