基于分类融合和关联规则挖掘的图像语义标注

图像语义自动标注问题是现阶段一个具有挑战性的难题。在跨媒体相关模型基础上,提出了融合图像类别信息的图像语义标注新方法,并利用关联规则挖掘算法改善标注结果。首先对图像进行低层特征提取,用“视觉词袋”描述图像;然后对图像特征分别进行K-means聚类和基于支持向量机的多类别分类,得到图像相似性关系和类别信息;计算语义标签和图像之间的概率关系,并将图像类别信息作为权重融合到标签的统计概率中,得到候选标注词集;最后以候选标注词概率为依据,利用改善的关联规则挖掘算法挖掘文本关联度,并对候选标注词集进行等频离散化处理,从而得到最终标注结果。在图像集Corel上进行的标注实验取得了较为理想的标注结果。     

基于K均值聚类和多核SVM的微钙化簇检测

考虑到乳腺微钙化簇样本分布不平衡以及特征的多样性,提出了基于K均值聚类的多核支持向量机.即首先将训练样本聚合成K类,对每类样本加不同的惩罚因子,以平衡样本分布不平衡.其次针对样本特征多样性,将核函数做组合,得到多核支持向量分类器.使用主动反馈学习的方法来得到稳定的训练样本.实验结果表明,本方法与单核SVM及多核SVM相比,检对率至少可以提高两个百分点.     

基于Keil for ARM开发环境的可重入中断实现

文章分析ARM7TDMI处理器的向量IRQ中断处理过程,在Vision4开发环境下,设计一个可重入的中断系统,并给出程序代码予以实现,所采取的策略对于嵌入式系统的实时性具有实用价值。     

改进和声搜索算法优化LSSVM的脑CT图像分类

为了提高脑CT图像的分类正确率,针对分类器中的最小二乘支持向量机（LSSVM）参数优化问题,提出一种改进和声搜索算法优化LSSVM的脑CT图像分类模型（IHS-LSSVM）。将LSSVM参数看作不同乐器的声调组合,通过和声搜索算法的“调音”找到最优参数,并在寻优过程中引入粒子群算法的最优位置更新策略,增强了算法跳出局部极小值的能力,根据最优参数建立脑CT图像分类模型,并对模型的性能进行仿真测试。仿真结果表明,相对于对比模型,IHS-LSSVM不仅提高了脑CT图像分类正确率,而且加快分类速度,是一种有效的脑CT图像分类模型。     

油田预警分析模型的研究与设计

目前我国大部分的石油产区已经进入生产开采的中后期,此时为了能够提高石油的采收率来满足社会生产生活,必须及时有效地对油田的产量进行预警分析。本文提出一种油田预警分析模型,该模型采用支持向量机方法对油田开发过程中的油田区块进行预警,并且对抽油单井进行实时的监控与诊断,分析可能出现的各种问题,进而可以在异常事件初期及时发现生产中的异常情况,以此来进行预警,提前采取预防措施,从而实现油田产量的稳产高产。实验结果证明该模型具有较高的预测准确性。     

基于自适应核参数优化的小波核相关向量机算法

传统相关向量机算法在处理大规模数据集时训练速度较慢,并且高斯径向核无法完备表示特征空间。为此,基于自适应核参数优化,提出一种小波核相关向量机算法。以小波核作为基函数,在训练中,采取增量学习流程实现各个小波核参数的快速自适应优化。将提出算法应用于混沌时间序列预测及UCI数据集分类实验,结果表明,自适应参数优化小波相关向量机算法在预测精度、训练速度上均优于传统相关向量机算法。     

一种鲁棒的监督流形学习算法及其在植物叶片分类中的应用

结合数据点的类别信息、局部信息和数据点的可信度,给出一种测地距离定义。在此基础上,提出一种改进的鲁棒性监督等度规映射算法,并应用于植物叶片分类中。首先利用改进的等度规映射将叶片图像投影到低维流形空间。然后采用支持向量机分类器进行植物叶片图像分类与识别。最后利用20种实际植物叶片图像进行植物叶片图像分类实验。实验结果表明该方法是有效可行的。     

流行学习算法应用于基因芯片数据分析

基因芯片是近年发展起来的生物技术,其数据典型特征是基因数多而样本少,因此必须及时采取有效方法来处理这些以指数级增长的数据.流行学习算法在高维数据方面有着广泛应用,但在基因芯片数据分析的应用还比较少.为了能得到在基因芯片数据分析中更好的处理方法,文章应用三种非线性降维提取海量基因芯片数据的特征,然后利用支持向量机作为分类器,判断样本的类属.实验结果表明,通过LLE特征提取之后,能获得与原基因芯片更为接近的成分,类属判断结果更为准确,为基因芯片数据分析提供了一定的科学指导.     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

SVM的几何方法—SK类思路的研究

支持向量机（Support Vector Machine,SVM）的几何方法是一种基于SVM计算过程中几何意义出发的求解方法。利用其几何特点,比较直观地对其基本算法的构建过程进行了分析。两凸包相对位置可以简要地归纳成5类,且在该类算法迭代过程最优点多在顶点和边界上,该类算法在第一次迭代就可能达到边界（最优点）;该类算法的手动单步模拟计结果揭示：很多情况下,该类算法迭代过程的投影并不成功,虽不影响解法的最终结果,但会影响迭代效率;基于几何的分析,给出软SK软算法的两种改进思路（Backward-SK和Forward-SK思路）,并进行了仿真比较计算。实验表明,该方法计算效果与原思路相似,但是计算过程理解更加直观。