排序方式: 共有124条查询结果,搜索用时 31 毫秒
1.
《Expert systems with applications》2014,41(7):3343-3350
2.
目的 为了提高图像超分辨率算法对数据奇异点的鲁棒性,提出一种采用K均值聚类和支持向量数据描述的图像超分辨率重建算法(Kmeans-SVDD)。方法 训练过程:首先用K均值聚类算法将训练图像的近似子带划分为若干类,然后用支持向量数据描述去除每类数据的奇异点,最后在小波域内用主成分分析训练近似子带和细节子带字典。测试过程:根据同一场景高低分辨率图像近似子带相似这一现象,首先将待重建低分辨率测试图像的近似子带作为相应高分辨率测试图像的近似子带,然后由训练得到的字典恢复出高分辨率测试图像的细节子带,最后通过逆小波变换得到高分辨率测试图像。结果 相比于当前双三次插值、Zeyde、ANR与Kmeans-PCA算法,Kmeans-SVDD算法重建的高分辨率测试图像的平均峰值信噪比依次提高了1.82 dB、0.37 dB、0.30 dB、0.15 dB。结论 通过大量实验发现,在字典训练之前加入SVDD过程可以去除离群点,提高字典质量。在小波域中将各频带分开重建,可避免低频图像中包含的不可靠高频信息对超分辨率结果的影响,从而恢复出可靠的高频信息。 相似文献
3.
动态SVDD算法及其应用 总被引:1,自引:0,他引:1
针对当前SVDD算法由于过大的优化规模导致检测计算时间过长的问题,提出了动态SVDD算法.通过分析在进行检测工作时新加入检测对象对正域边界的影响,提出:采用核方法形成的边界可近似替代折线所形成的边界.这样,加入新检测对象后,新的边界就只与新的样本点和之前的边界有关,从而可以大大减小优化规模,提高检测的效率. 相似文献
4.
5.
6.
基于信息熵的支持向量数据描述分类 总被引:1,自引:0,他引:1
针对现有的支持向量数据描述(SVDD)在解决分类问题时通常存在盲目性和有偏性,在研究信息熵和SVDD分类理论的基础上,提出了改进两类分类问题的E-SVDD算法。首先对两类样本数据分别求出其熵值;然后根据熵值大小决定将哪类放在球内;最后结合两类样本容量以及各自的熵值所提供的分布信息,对SVDD算法中的C值重新进行定义。采用该算法对人工样本集和UCI数据集进行实验,实验结果验证了算法的可行性和有效性。 相似文献
7.
8.
一种新的特征提取方法及其在模式识别中的应用 总被引:2,自引:0,他引:2
核典型相关分析(KCCA)是一种有监督的机器学习方法,可以有效地提取非线性特征。然而随着训练样本数目的增加,标准的KCCA方法的计算复杂度会随之增加。针对此缺点,提出一种改进的KCCA方法:首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS),然后设计了一种提升特征提取效率的算法,该算法按照对特征分类贡献的大小巧妙地选取样本的特征值,进而求出其相应的特征向量,最后将改进的KCCA与支持向量数据描述(SVDD)多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明,改进的方法相对传统的KCCA方法,在不影响识别率的情况下提高了人脸识别速度,减小了系统存储量。 相似文献
10.
机械行业中的大型关键设备一般没有足够故障数据作为其运行状态的参考,对于这类设备的监测研究就更为重要。文中利用机械设备正常运行时的信息作为样本,利用EMD自适应分解采集到的数据,作为SVDD单值分类器的输入来判断机械设备运行状态,经滚动轴承实验,得到了较好的运行状态评估效果。 相似文献