基于标准序列浮动前向特征选择的改进算法研究

随着信息技术的高速发展,信息特征的表述方法和内涵不断扩充,高维特征大幅涌现。这些高维特征中可能存在许多不相关和冗余特征,造成了维度灾难,对分类识别算法提出了更高的要求,需要利用特征选择算法,降低特征向量维数并消除数据噪音的干扰。针对高维特征向量引入的维度灾难等问题,围绕目标分类识别的具体应用,对标准的序列浮动前向特征选择算法进行了研究,并通过优化正确分类样本数目的置信上限及交叉验证的重复次数,提出了一种改进的序列浮动前向特征选择算法。通过仿真实验表明,在利用贝叶斯分类器开展识别时,改进算法能够在确保分类识别正确率的前提下,有效提升特征选择的计算速度,并随着特征选择步骤的增加,能够维持一个相对更为收敛且稳定的置信区间,具备良好的准确度。     

一种基于关键帧的人体行为识别方法

为了提高人体动作识别的准确率和实时性,提出了一种基于关键帧的人体行为识别新方法。用Kinect提取人体骨架信息(各关节点的3D坐标),将中心点(人体基准参考点)分别与其他各关节点作结构向量,根据空间不变性选取中心向量,计算各个结构向量和中心向量之间的夹角,并将夹角的角速度作为一种新的姿态描述特征,利用AP(Affinity Propagation)聚类算法提取关键帧,利用SVM将得到的关键帧进行动作序列的分类。在Cornell Activity Dataset-60(CAD-60)数据库实验结果表明,新方法具有良好的识别能力。     

近红外光谱和多分类器融合的葡萄酒品种判别研究

将多种单分类器模型融合,并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱,选取PLS-DA,SVM,Fisher和AdaBoost作为单分类器建模方法,分别建立葡萄酒品种判别模型,通过差异性度量值对单分类器进行筛选,得到差异性较大的四个单分类器作为基分类器,其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%,最低为81.18%。然后通过加权投票机制对基分类器进行融合,融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%,误判样品个数由单分类器最少的9个降为6个。实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果,提高了葡萄酒品种判别的准确性,采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。     

酒香型光谱分析和模式识别计算分析

白酒是一个复杂的混合物体系,它含有大量的微量成分,这些微量成分直接决定了白酒的品质、口感和香型。为实现对白酒香型的快速鉴别,可采集不同香型白酒的红外光谱图,并将其作为模式分类方法的输入模式,建立白酒香型鉴别模型。首次全面系统地介绍了白酒香型模式识别算法,这些算法包括统计分类器(线性判别函数、二次判别函数、正则判别分析、K近邻算法)、原型学习算法(学习矢量量化)、支持向量机和AdaBoost算法。实验结果表明,基于红外光谱的白酒香型检测模式识别算法达到了很高的分类准确率、识别率和拒绝率,显示出了很好的性能。     

基于K-L变换的虹膜识别方法

提出了一种基于K-L变换和最近邻分类器的虹膜识别方法。该方法采用K-L变换得到一组虹膜图像基,并利用这组基图像构造一子空间,将待识别图像在这个空间上的投影系数作为待识别图像的特征向量。采用最近邻分类器进行了分类。基于CASIA虹膜数据库的试验表明,将K-L变换应用在虹膜特征提取上可以取得较高的识别率。     

基于混合遗传算法优化的MLP神经网络的调制方式识别

提出了一种基于遗传算法与多层感知神经网络的调制识别方法,运用改进遗传算法优化的多层感知神经网络分类器对各种调制信号的特征矢量进行分类识别.利用遗传算法的高效全局特性,克服了传统BP算法易于陷入局部最优解的缺点,同时在遗传算法基础上增加梯度下降算子,加快了收敛速度,使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验的结果证明了此方法的有效性和可行性.     

基于深度体素卷积神经网络的三维模型识别分类

提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。     

一种云天背景下单帧红外弱小目标检测新方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种级联的改进Asymmetric AdaBoost算法。该算法通过提取红外小目标梯度对比度、邻域灰度分布等多个有效特征,充分利用多个红外特征的互补作用,对Asym-metric AdaBoost在仿真中出现的问题进行了相应的改进。通过对实测数据进行仿真,结果表明该方法达到了高检测概率和低虚警率,能有效地检测红外弱小目标。     

目标跟踪中目标模型更新问题的半监督学习算法研究

本文针对长期稳定的目标跟踪中的目标形变、尺度缩放、旋转等问题, 提出一种步步为营的反馈式学习方法, 该方法通过正、负约束实现对于目标模型和分类器的判别能力和容错能力提高的同时, 使更新带来的误差尽量小, 并证明了其收敛性. 通过实验表明, 对于同一种跟踪算法使用本文提出的目标更新方法进行更新学习的比不更新学习的跟踪效果要稳定得多, 对于目标的尺度变化、形变、旋转、视角变化、模糊等都有较好的适应性, 并通过与现有的较流行的方法进行比较, 本文方法鲁棒性较好, 有很高的研究和应用价值.     

海杂波背景下的目标检测新方法

提出了一种基于分形布朗运动模型的S波段雷达海杂波分形维数提取方法.分析了基于记忆库混沌时间序列预测方法，引入一种改进核函数的支持向量机分类器.在此基础上，提出了一种新的海杂波背景下目标检测方法.应用S波段雷达实测海杂波数据，计算得到了该信号的分形维数与Lyapunov指数，验证了S波段雷达海杂波的混沌分形特性.仿真实验结果验证了该方法具有较强的检测能力和抗杂波性能. 关键词： 分形布朗运动 分形维数 记忆库预测方法 支持向量机分类器