结合稀疏编码的生物视觉特征提取方法

在分析视皮层标准模型的基础上,从S2层的生物视觉机理出发,提出一种结合稀疏编码的生物视觉特征提取方法。对原始标准模型中C1层的输出进行稀疏编码,生成S2层的特征,并在此基础上产生C2特征。将标准模型产生的特征和该方法提取的特征应用于图像分类中进行对比实验,实验结果表明,与标准模型相比,该方法可以更有效地提取生物视觉特征。     

基于多特征的个性化图书推荐算法

现有推荐算法计算读者之间或图书之间的相似性不准确、推荐精确度不高。为此,提出一种基于多特征的个性化图书推荐算法。根据中图分类法及图书的特征向量计算图书的相似性,依据读者的特征向量及借阅记录计算读者的相似性。在此基础上产生2种预测结果并对其进行加权,产生最终推荐。实验结果表明,该算法具有较高的图书推荐精确度。     

融合全局和局部描述的图像检索方法

针对基于内容的图像检索中全局描述缺乏空间位置信息及局部描述面临图像分割的问题,提出了一种基于全局颜色特征和局部Gabor小波纹理特征的图像检索方法.在整幅图上提取MPEG-7主颜色描述算子作为全局描述.将图像划分为5个有重叠的子区域,提取Gabor纹理特征与颜色矩构成局部描述,提出了改进的豪斯多夫距离并将其应用在局部描述的整体匹配中,克服了因图像的平移、旋转而造成检索率低的问题.融合全局相似度和局部相似度获得最终相似度.基于Corel数据库的实验结果表明了该方法的有效性.     

改进的禁忌搜索算法在肌电信号情感识别中的应用

针对基于肌电(EMG)信号的情感识别问题,提出了一种新颖的特征选择方法.该方法用相关性分析对原始特征降维,再利用改进的禁忌搜索算法结合Fisher分类器,对高兴、厌恶、悲伤、惊奇、愤怒和恐惧6种肌电信号的情感进行特征选择.实验结果表明,该方法能以较少的特征获得较高的识别率,得到了有利于情感识别系统建立的有效特征子集.     

基于聚类分析与几何的目标特征敏感性评估算法

为克服在较少先验知识的情况下,人为选择目标特征进行分类识别的盲目性,提出一种基于聚类分析与几何学的目标特征评估方法.该方法在类内类间距离的基础上引入几何学中有关圆的知识,定义了样本在特征空间中分布的＂紧密度＂、＂分离度＂函数和＂松紧度＂权重,以考察目标特征对目标样本之间的分类敏感性,并根据评估结果选取适当特征构成一个新的联合特征,以提高对目标的分类识别效率.最后通过仿真验证了该方法的有效性.     

基于改进2DPCA的快速交通标志识别法

为了提高交通标志的识别速度,提出了一种样本类中间值结合均值的的2DPCA.该方法采用每类训练样本中间值的均值代替训练样本的平均值,以此重建散布矩阵从而得到最优投影矩阵.在已经建立的两个交通标志图像集上用该方法进行了实验,结果表明新方法识别速度得到了大幅提升并且取得了较高的识别率.     

基于听觉模型的说话人语音特征提取

基于听觉模型的特性,仿照MFCC参数提取过程,提出了一种基于Gammatone滤波器组的说话人语音特征提取方法。该方法用Gammatone滤波器组代替三角滤波器组求得倒谱系数,并且可以调整Gammatone滤波器组的通道数和带宽。将该方法所求得的特征在高斯混合模型识别系统中进行仿真实验,实验结果表明,该特征在一定情况下优于MFCC特征在系统的识别率,同时在Gammatone滤波器组通道数较高或滤波器带宽较小的情况下,系统具有较高的识别率。     

一种结合灰度和边缘信息的局部特征描述算法

针对单一特征引导图像匹配的准确度有限,提出了一种同时使用灰度和边缘信息的特征描述子。该描述子将图像的几何特征与灰度信息结合起来,首先计算每个特征点的灰度对比直方图,然后引入边缘属性以增强边缘的匹配。实验结果表明,该算法由于同时采用灰度信息与边缘信息引导图像匹配,其匹配效果好于单独使用灰度或边缘的图像匹配算法,在一定程度上降低了误匹配率,同时满足旋转和光照不变性,对图像灰度变化和噪声不敏感,具有良好的匹配性能。     

基于图片特征空间的信息压缩研究

提出了一种基于2DPCA和PCA的信息压缩方法,从而实现两种特征提取方法的优势互补.仿真实验结果表明,该方法不仅提取和保留了有效信息,减少了信息的存储空间,又极大地减小了计算量,有很好的特征提取性能.     

基于情感向量空间模型的歌曲情感标签预测模型

音乐的情感标签预测对音乐的情感分析有着重要的意义。该文提出了一种基于情感向量空间模型的歌曲情感标签预测算法,首先,提取歌词中的情感特征词构建情感空间向量模型,然后利用SVM分类器对已知情感标签的音乐进行训练,通过分类技术找到与待预测歌曲情感主类一致的歌曲集合,最后,通过歌词的情感相似度计算找到最邻近的k首歌曲,将其标签推荐给待预测歌曲。实验发现本文提出的情感向量空间模型和“情感词—情感标签”共现的特征降维方法比传统的文本特征向量模型能够更好地提高歌曲情感分类准确率。同时,在分类基础上进行的情感标签预测方法可以有效地防止音乐“主类情感漂移”,比最近邻居方法达到更好的标签预测准确率。