基于PCA的XML文档特征提取方法

为了更好地对XML文档进行分类或聚类分析,以主成分分析的理论基础为指导,在研究了文本表示的各种模型的基础上,提出了两种对XML文档进行向量化表示并进行特征提取的方法,同时也实现了对XML文档的有效降维。实验结果表明,两种方法都能有效地表示XML文档的主体特征,但全路径特征向量抽取方法能更好地描述XML信息,为下一步有效处理XML文档做了良好铺垫,具有一定的研究价值。     

基于改进遗传算法的数字信号特征集选取

针对通信信号的特点,提出了一种应用于信号特征筛选的改进遗传算法。该方法首先确定了最能表现信号调制间差别的特征子集即优秀基因库,然后在遗传过程中通过选择、淘汰引起优秀基因库大小的变化,最后通过引进不同大小的库外特征量,保证每代遗传过程中的交叉和变异概率随环境的变化而自适应的变化,最终筛选出一高质量的特征子集,并结合RBF神经网络分类器得到更好的识别效果。通过仿真实验验证了该方法不但具有求解全局问题的鲁棒性、收敛性,而且具有更快的收敛速度和更强的全局收敛性。     

一种基于联合轮廓特征矢量的目标识别方法

针对基于形状特征进行目标识别的方法存在的不足,提出一种联合轮廓不变矩特征和轮廓几何特征的识别方法;针对不同的待识别目标,采集足够数量的训练样本,统计每一个轮廓特征的均值、标准差和变异系数;并据此对这些轮廓特征进行动态筛选和加权,建立起待识别目标的联合轮廓特征矢量模型.在线识别时,提取场景目标的联合轮廓特征矢量,对其进行...     

SIFT在行星表面探测器视觉导航系统中的应用

介绍了行星探测器自主导航系统的相关背景,讨论了行星探测器自主视觉导航系统算法的主要目的和传感器信息融合的必要性,并就此引入了尺度不变特征变换(SIFT)的相关理论分析.对SIFT方法提出了改进,从而改善了算法的效果.最后给出了三维重建和目标追踪的实验结果.     

基于主运动轮廓线的步态表示与识别

提出了一个基于步态主运动轮廓线构造特征矩阵, 并进行特征表示和分类识别的算法. 该算法首先从步态轮廓线提取三段代表人体主要运动的部分, 基于它们到质心的横向距离构造描述步态图像序列的三个特征矩阵. 然后, 采用主分量分析(Principal component analysis, PCA)方法去除特征矩阵中的冗余数据, 并利用多元判别分析(Multiple discriminant analysis, MDA)将特征矩阵投影到更易于分类的空间. 最后, 在USF步态数据库上计算测试对象的Rank n识别率, 并与其他三个有代表性的算法进行比较. 实验结果显示, 本文算法的平均识别率更高, 抗干扰性更强.     

基于级联Adaboost的目标检测融合算法

单一特征的模型对于颜色纹理变化较大的目标的检测往往存在检测率不高或检测速度慢的缺点. 本文提出了一种基于级联Adaboost的``级联--加和'融合算法. 融合模型由两个独立训练得到的级联Adaboost分类器组成, 分别利用边界片段特征和矩形类Haar小波特征描述整个目标以及目标的一个稳定部件. 级联--加和的融合决策以样本在两个分类器中被拒绝或通过的级数信息为依据. 在多个数据库上的实验证明这种融合检测算法不仅综合了Haar小波特征检测速度快和边界片段特征鲁棒性好的优点, 而且与单一特征的分类器相比, 检测性能也有所提高.     

基于粒子滤波和点线相合的未知环境地图构建方法

针对粒子滤波处理未知环境地图构建时存在存储空间负荷高、计算量大的问题, 本文使用线段特征描述环境信息, 将点线相合的增量式地图构建方法引入粒子滤波中. 在每个粒子中保存对已构建线段特征地图的假设; 使用点线相合的位姿估计算法将观测信息引入重要性函数, 确定采样空间; 通过观测信息与已构建线段特征地图之间的相合关系更新粒子权重; 最后通过选择性重采样去除因匹配不当和误差积累产生的错误地图. 分析表明, 该算法的复杂度较低. 在真实传感器数据上的实验结果验证了该算法构建室内环境地图的有效性和鲁棒性. 算法所需存储空间和粒子数远小于现有粒子滤波地图构建方法.     

二次建模在政府信息化软件开发中的应用与研究

将二次建模方法应用在政府信息化软件的开发工作中,提出了在任务分解时,首先从需求中分解出独立特征和具体业务特征,再从具体业务特征中分别抽象出共性特征和具体业务的个性特征,并对共性特征和独立特征与具体业务的个性特征分别建模。应用实践表明,该方法提高了软件的可重用性,缩短了开发周期,便于维护,增强了开发政府信息化软件的实用性。     

Gene subset selection in microarray data using entropic filtering for cancer classification

Abstract: In this work an entropic filtering algorithm (EFA) for feature selection is described, as a workable method to generate a relevant subset of genes. This is a fast feature selection method based on finding feature subsets that jointly maximize the normalized multivariate conditional entropy with respect to the classification ability of tumours. The EFA is tested in combination with several machine learning algorithms on five public domain microarray data sets. It is found that this combination offers subsets yielding similar or much better accuracies than using the full set of genes. The solutions obtained are of comparable quality to previous results, but they are obtained in a maximum of half an hour computing time and use a very low number of genes.