基于关系权重的文本表示法

提出一种基于关系权重的文本表示方法.通过优化关系权重,在文本向量中体现了不同特征项在不同类别中重要程度的差异,使得在此权重下不同类别的文本得到更准确的区分.运用SVM分类实验表明,基于关系权重的文本表示方法,较之传统的 TF-IDF 文本表示法,有更高的准确率和召回率.     

基于阈值分割的运矿车辆车牌精确定位

由于运矿车辆车牌图像质量低、车牌污染严重、环境复杂、识别率低等特殊情况,设计了一种基于灰度阈值分割的运矿车辆车牌的精确定位算法.它通过对粗定位车牌图像进行灰度阈值分割,得到估计车牌区域并进行区域标记,根据车牌所在连通区域面积最大这一特征,得到完整有效的车牌区域,结合车牌先验知识去掉其边框,从而得到车牌的精确定位结果.实验结果表明,该算法定位准确率高,耗时少,分割效果好,具有较强的实用价值,是对现有车牌识别技术有意义的扩展和补充.     

非一致分类数据集的一致化与特征选择

采用不一致性或含有冗余特征的样本数据集往往会降低分类的质量和效率.提出了一种将分类数据集一致化,并在此基础上选择最小特征变量集的方法.该方法首先根据贝叶斯公式,将非一致数据归为最可能的一类,使数据集一致化,然后在一致数据集上,定义类别区分矩阵,选择最小特征变量集,并给出了在类别区分矩阵上搜索最小特征变量集的启发式搜索策略.采用UCI标准数据集的实验结果表明,提出的方法可有效地删除数据集的不一致性,选择的最小特征变量集可准确区分各类数据并降低数据的维数.     

基于改进Snake的多目标分割算法

为了实现对包含在一个Snake区域内的多个目标进行分割的目标,对传统Snake算法进行了改进,抛弃了与轮廓的弹性力和弯曲力有关的内能,由图像的相对黑像素点数构成图像力.变形中追求图像力的最大值,找到了使Snake收缩变形的方法.针对收缩过程中自身缠绕问题提出了判别方法,这种判别方法也即本研究的分裂方法,从而使Snake具有演化分离的功能,即每一个目标都被一个Snake包围分割.试验结果表明,变形后的模型具有如下的特点:能够分割多目标,图像力能量项物理意义直观清晰,且易于实现,对初始轮廓不太敏感,收敛速度快,具有一定的价值.     

面绘制三维重建原理及其改进算法研究

Marching Cubes(MC)算法是经典的面绘制算法,但它存在数据源复杂、分割方法单一和三维网格存储量大的问题.针对这种情况,提出了改进策略,主要是从图像预处理、图像分割及三角形网格简化方面加以讨论,并给出了相应的算法,由此使得重建算法的数据源信息更准确,适用面更广,存储效率更高.     

基于归一化割的自适应多阈值图像分割方法

基于图谱理论的图像闽值分割方法是一种基于全局的单阈值分割方法,其对复杂图像的分割效果不明显,而且其采用的权值计算公式中含有两个需手动调整的参数,这些都限制了该算法的通用性.据此提出基于归一化割的自适应多阈值图像分割方法,它通过几个阈值来分割复杂图像,并且采用了一个自适应权值计算公式,提高了该方法的通用性.大量的实验结果表明该方法具有很好的分割效果,可以保留更多的图像细节.     

中文文本分类中的特征词抽取方法

针对目前各类主流的中文文本特征词抽取方法中只关心词频信息却不关注特征的位置这一现象,给出了位置权重的概念,对以往提出的无词典分词算法进行了适当的修改,并在此基础上提出将信息增益、卡方统计和互信息这3种常用的特征选择方法有机的结合起来,构成新的特征选择方法.这种新方法综合考虑了特征的各类信息,从而更加准确地选取文本中的有效特征词,并且试验结果也验证了这种改进算法的可行性和有效性.     

基于向量投影的KNN文本分类算法

针对KNN算法分类时间过长的缺点,分析了提高分类效率的方法.在KNN算法基础上,结合向量投影理论以及iDistance索引结构,提出了一种改进的KNN算法--PKNN.该算法通过比较待分类样本和训练样本的一维投影距离,获得最有可能的临近样本点,减小了参与计算的训练样本数,因此可以减少每次分类的计算量.实验结果表明,PKNN算法可以明显提高KNN算法的效率,PKNN算法的原理决定其适合大容量高维文本分类.     

基于遗传神经网络的皮肤癌图像分割

图像分割是医学影像技术中重要的组成部分,分割效果直接影响进一步的诊断和治疗.提出采用遗传神经网络对皮肤癌图像进行分割的方法,该算法充分考虑了医学图像中内容复杂,不确定性大的特点.为了提高神经网络的收敛速度,引入遗传算法优化神经网络的权值和闽值.与采用标准BP神经网络相比,采用的遗传神经网络分割速度明显提高.采用遗传神经网络分割后的皮肤癌图像边缘连续、轮廓清晰,可在定量分析和识别中使用.     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.