基于整体与局部纹理特征加权融合的港机装备钢丝绳断丝缺陷检测研究

钢丝绳是港机装备的重要部件,由于作业工况环境恶劣,钢丝绳表面极易引起断丝等缺陷,影响港机装备作业安全。针对港机装备钢丝绳表面油泥严重、光照亮度不均,以及港机装备钢丝绳断丝缺陷能够在钢丝绳股顶钢丝椭圆形区域内有效体现的特点,提出了一种基于钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征加权融合的钢丝绳断丝缺陷检测方法。首先采用图像降噪、增强、校正技术对钢丝绳原始图像进行预处理。然后采用图像平滑、阈值分割及边缘特征提取技术对股顶钢丝椭圆形区域边缘轮廓进行提取。接着采用局部二值模式(LBP)算子分别提取钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征,并对钢丝绳整体纹理及边缘轮廓纹理特征进行特征加权融合。最后对加权融合后的特征向量进行主成分分析(PCA)法降维,并应用支持向量机(SVM)技术对钢丝绳断丝缺陷进行检测。研究结果表明:本文提出的方法对实际工况下重油泥、光照不均等钢丝绳断丝缺陷具有较好的检测效果,具有一定的工程应用价值。

基于特征加权混合隶属度的模糊孪生支持向量机

模糊孪生支持向量机(FTSVM)忽略了不同特征间的差异,导致核函数或距离的计算无法准确反映样本间的相似性,使FTSVM在处理含有大量不相关或弱相关特征的高维数据分类时,难以达到良好分类效果;且隶属度的设计未有效区分离群点或噪声。针对以上问题,提出了一种基于特征加权混合隶属度的FM-FTSVM。首先计算每个特征的信息增益,并依据信息增益值的大小为特征赋予权重,降低不相关或弱相关特征的作用,使其能更好地应用于高维数据分类;然后,为每一类样本构造一个最小包围球计算基于紧密度的特征加权隶属度,并结合基于距离的特征加权隶属度得到特征加权混合隶属度,综合考虑样本点到类中心的特征加权欧式距离和样本间的紧密程度,可更好识别离群点或噪声数据;最后,融合特征加权核函数,降低不相关特征对核函数或距离计算产生的影响。与对比算法在人工数据集、高维数据集和UCI数据集上进行比较,发现本文提出的方法在区分离群点、噪声和有效样本上有明显优势,且在高维数据集上可获得更好分类效果。

结合力导向图分布算法的特征加权深度嵌入聚类

聚类分析作为无监督学习领域的一个重要研究方向,是许多数据驱动应用的核心.但是高维数据特有的高维距离趋同特性,使得高维空间样本近邻结构遭到破坏,从而使得大量基于距离(基于近邻)的聚类算法性能急剧下降.目前,大量研究者认为,高维数据往往包含大量与任务不相关特征及相互关联的特征,其真实特征维度往往要比原始特征维度低很多.在学习样本低维等价表示上,基于深度自编码器的深度嵌入学习尽可能地保留重构信息.然而,现有此类方法往往需要聚类损失引导聚类,这虽然提高了聚类性能,但聚类损失与重构损失间的内在矛盾,限制了聚类性能的进一步提高.基于力导向图分布算法的降维算法则是尽可能保留近邻结构信息的基础上学习样本低维表示,但是高维距离趋同的特性使得此类算法较难准确获取样本高维近邻结构信息.本文在深度自编码器与力导向图分布算法的基础上引入特征加权思想,使模型在具有强大的低维等价表示能力及根据数据近邻结构凸显簇结构能力的同时考虑特征对聚类任务的适合程度.5个数据集上与最新高维聚类算法的对比实验充分证明了本文算法的合理性与优越性.

基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

基于特征加权与融合的小样本遥感目标检测

基于深度卷积神经网络的目标检测器需要大量标注样本展开训练,针对训练样本数量不足导致目标检测器泛化能力较差的问题,基于元特征调制提出一种特征加权与融合的小样本遥感目标检测方法。首先,在元特征提取网络中嵌入瓶颈结构式特征学习模块C3,增加网络深度和感受野;其次,利用路径聚合网络(PAN)进行元特征融合,有效提升了网络对多尺度遥感目标的感知能力;最后,使用轻量级卷积神经网络学习原型向量以加权元特征,在轻量化模型的同时,利用模型已有知识快速微调模型,以适应对新类目标的检测。实验结果显示,在NWPU VHR-10和DIOR数据集上,该方法相比于FSODM方法,在新类对象上的平均检测精度分别提高了29.40%和11.78%。可视化结果表明,该方法在小样本遥感目标检测上效果更优。

基于特征加权融合的红外图像增强方法

红外图像增强可以改善图像中的细节和对比度,使得目标在图像中更加清晰可见,对红外图像的目标检测和识别任务具有重要意义。为此,提出一种基于特征加权融合的红外图像增强方法。首先分析红外图像对比度和边缘细节,结合光谱特征融合方法进行红外图像的降噪预处理。提取降噪后红外图像的区域梯度特征后,加权融合所提取的具体图像特征,利用Retinex算法对加权融合的红外图像特征进行色调映射,实现最终的红外图像增强处理。结果显示,本方法MSE为0.603%,PSNR为49.11 dB,SSIM为0.988。由此证明,采用该方法可以实现红外图像的增强处理,具有一定应用价值。

多源异构高维数据特征加权子空间聚类算法

多源异构高维数据存在噪声和异常值,导致聚类中心的确定难度较大。为解决该问题,提出多源异构高维数据特征加权子空间聚类算法。计算簇的所有维信息熵,按自适应函数获取子空间最小值,确定聚类特征子空间。对两簇子空间权重分配,计算两簇相似度。通过相邻稠密单元格合并,确定质心,识别高维维度上的簇。利用数据之间互表示特性分析数据潜在低秩结构,提取数据中无杂质的低秩部分,构建多核子空间聚类目标函数。确定不同类数据之间欧氏距离,保证所有类簇融合为一类簇,实现全部子空间数据完全聚类。由实验结果可知,该算法聚类中心点与理想聚类中心点一致,且聚类结果能够达到理想效果。

基于特征加权融合的轻量级人脸识别方法

针对复杂自然场景中人脸识别的难题,提出一种基于特征加权融合的轻量级人脸识别方法,通过对MobileFaceNet进行改进,实现自然场景下的实时人脸识别。SEMobileFaceNet对原MobileFaceNet的BottleBlock模块及边缘损失ArcFace进行了优化,在BottleBlock模块中加入了SE,利用通道注意力机制对不同通道的特征进行加权融合,提高对关键特征的利用。对边缘损失ArcFace的改进在于将角度裕量改为动态调整,根据梯度值的大小忽略或裁剪部分梯度。改进后的SEMobileFaceNet在自然场景人脸识别中准确率和召回率更高,泛化能力更好,能够有效完成复杂环境中的人脸识别。

一种多特征加权融合的事故识别算法

对交通事故现场视觉图像的及时、准确识别,可有效提高交通事故处理速度,提升交通运行效率。传统方法通过提取图像关键点的邻域图像特征,设定合理阈值,但忽略了建立图像扇形区域特征向量,导致识別精度低。提出一种通过速度变化、面积变化、方向变化等交通事故判别参数的提取来完成交通事故现场视觉图像识别的多特征加权融合算法。试验结果表明,所提方法能够有效提升交通事故现场视觉图像识别率,且识别精度较高。

基于特征加权聚合的传感网络多模式攻击检测方法

多模式攻击特征存在一定的差异性,其对传感网络的攻击危害性较大.为避免传感网络入侵干扰,提高传感网络多模式攻击检测性能,提出基于特征加权聚合的传感网络多模式攻击检测方法.利用多模式攻击环境下的多条攻击路径函数,构建传感网络多模式攻击特征分布函数.结合攻击信号的抗干扰抑制,加权融合传感网络多模式攻击信号特征.通过将网络数据的非线性关系转换为线性关系,建立风险评估函数.根据传感网络多模式攻击行为的分布状况,计算不同攻击行为之间的攻击关联度,完成传感网络多模式攻击行为的判定.结合传感网络多模式攻击检测算法设计,在传感网络中检测出多模式攻击行为.结果表明:所提出的方法能够检测出传感网络中不同类型的攻击,并将误检率和漏检率控制在5%以下.

基于特征加权视觉增强的雷视融合车辆检测方法

为了有效提升高速公路低光照、远距离检测需求条件下的车辆检测准确度,提出了一种基于视觉增强和特征加权的雷视融合车辆目标检测方法。首先从雷视数据层融合入手,基于毫米波雷达对潜在目标空间位置进行表征,并将表征结果用于视觉图像中远距离目标区域划分。其次对该划分区域图像进行重构、检测和还原,以提升远距离目标的视觉检测精度。再次对雷视检测特征层融合进行建模。考虑不同层对特征检测贡献度差异,通过模型训练获取不同特征图的权重参数,并按照权重将不同层特征进行融合计算,以增强目标的特征信息。其次,增加分支网络,利用不同尺寸的卷积层提取特征图中不同的感受野信息,分支输出结果融合获得更强的图像表征能力,达到提高低光照下检测精度的目标。最后,结合特征加权雷视框架和基于毫米波雷达空间预处理的视觉增强思路,基于YOLOv4-tiny框架设计了雷视融合检测网络,完成验证系统搭建。结果表明:在低光照环境下提出的算法与YOLOv4相比,平均精度AP提高了20%,与雷视融合典型算法RVNet相比AP值提高了5%;在针对不同距离下的检测性能测试试验中,本研究算法在检测120m目标时,平均精度值相较YOLOv4算法提高了73%,相较于RVNet提高了63%,提高了智能交通系统车辆检测的覆盖距离和低光照的检测精度。

特征加权与子网络动态组合的中医辨证模型

临床中的中医电子病历数据描述存在噪音,如何解决不同的噪声水平和四诊信息之间的冲突是一个挑战。对此,提出了基于特征加权与子网络动态组合的中医辨证模型。模型首先基于TF-IDF算法对字段中文本计算权重,然后将脉诊、问诊、望诊(其中望诊中的舌诊在病历中为单独字段)、主诉字段输入相应的子网络中,计算子网络的输出与TF-IDF权重的权值注意力,接下来将各个子网络在每个病历动态变化的一组权重向量进行动态加权组合。在中医电子病历数据集上的实验结果表明,模型辨证准确率较高,具有更显著的中医辨证效果。

基于特征加权与自动交互的点击率预测模型

在大数据时代的点击率(Click-Through Rate,CTR)预测任务中,输入数据不仅数量多而且特征维度很高,在特征选择时容易出现信息干扰或丢失,在进行特征交互时不同的交互方式也会影响预测性能。针对该问题,文中提出了一种基于特征加权与自动交互的预测模型,用于学习原始特征权重并进行自动交互。首先,引入ECANet模块提出一种不降维的特征加权方法,该方法可以通过对k个相邻特征进行一维卷积有效实现。然后,分别用多头自注意网络和深度神经网络(DNN)去自动学习显式和隐式的特征交互。最后,将两者相结合进行预测,弥补了单一模型的缺陷。一方面,它能对输入特征进行重要性选择;另一方面,它能同时以显式和隐式的方式自动学习任意低阶和高阶的特征交互。通过在四个真实数据集上的实验,验证了其比以往的预测模型获得了更好的准确度。

自适应样本和特征加权的k-means算法

针对k-means算法在处理一些同时具备样本噪声与特征噪声的数据集时表现不佳的问题,提出一种自适应样本和特征加权的k-means聚类算法(ASFW)。所提算法引入负熵和一种正则化项,在每次迭代中自适应地调整样本和特征权重,并通过一种新的距离度量函数向最优解进行退火,可以有效避免得到较差的局部最小值,同时保持经典k-means算法的简单性。在人工合成数据集的聚类结果表明,相较于同类算法,ASFW的聚类效果更好,且对噪声样本和特征赋予的权值更正确合理,说明所提算法能够有效识别噪声,降低噪声对聚类结果的影响;在6个真实数据集下的聚类结果显示,ASFW在各个数据集的聚类性能均优于对比算法,且在大多数数据集上取得了最佳的标准互信息(NMI)和调整兰德系数(ARI),充分验证了ASFW具有良好的聚类性能。

基于两步特征加权的模糊支持向量机算法

提出一种基于两步特征加权的模糊支持向量机算法.首先,利用信息增益算法获取样本的特征权重.然后,计算最大权重的特征与其他特征间的斯皮尔曼相关系数,并将二者相乘后再与原有的特征权重相加,得到新的特征权重,减少弱相关和不相关特征对分类造成的影响.最后,在设计样本模糊隶属度时,不仅考虑样本与类中心的距离,还引入了样本间的亲和度,并将二者进行融合,以此减弱样本分布不均对分类精度的影响.在UCI数据集上的实验表明,与现有流行的几种模糊支持向量机算法相比,所提算法在准确率和F1值上得到了提升.

特征加权的模糊C聚类算法

参照文献[5]中将K-means聚类算法与特征权重优化相结合的方法,推导出FCM聚类算法与特征权重优化相结合的优化迭代公式,形成加权FCM算法。将加权FCM算法中计算聚类均值项的公式代入到计算隶属度的更新公式和特征权重的更新公式中,得到加权FCM扩展算法。由于这个扩展算法消去了均值项,它对于有序属性和无序类别属性的隶属度和特征权重的更新公式具有统一的形式,因此可以很方便地应用到混合属性数据集的加权聚类分析中来。该算法的收敛性分析与FCM类似,算法迭代结束后能给出一组优化的特征权重值。仿真实验结果与WKMeans算法的结果基本一致,说明该方法在优化混合属性数据集的特征权重时是有效的。

基于特征加权的模糊聚类新算法

在聚类分析中,针对不同类型的数据,人们设计了模糊k-均值、k-mode以及k-原型算法以分别适合于数值型、类属型和混合型数据.但无论上述哪种方法都假定待分析样本的各维特征对分类的贡献相同.为了考虑样本矢量中各维特征对模式分类的不同影响,本文提出一种基于特征加权的模糊聚类新算法,通过ReliefF算法对特征进行加权选择,不仅能够将模糊k-均值、k-mode以及k-原型算法合而为一,同时使样本的分类效果更好,而且还可以分析各维特征对分类的贡献程度.对各种实际数据集的测试实验结果均显示出新算法的优良性能.

一种基于特征重要度的文本分类特征加权方法

针对文本分类中的特征加权问题,提出了一种基于特征重要度的特征加权方法.该方法基于实数粗糙集理论,通过定义特征重要度,将特征对分类的决策信息引入到特征权重中.然后,在标准文本数据集Reuters-21578 Top10和WebKB上进行了实验.结果表明,该方法能改善样本空间的分布状态,使同类样本更加紧凑,异类样本更加松散,从而简化从样本到类别的映射关系.最后,使用Nave Bayes,kNN和SVM分类器在上述数据集上对该方法进行了实验.结果表明,该方法能提高分类的准确率、召回率和F1值.

基于SVM的特征加权KNN算法

作为一种非参数的分类算法,K＿近邻(KNN)算法是非常有效和容易实现的。它已经广泛应用于分类、回归和模式识别等。在应用KNN算法解决问题的时候,要注意两个方面的问题———样本权重和特征权重。利用SVM来确定特征的权重,提出了基于SVM的特征加权算法(FWKNN,featureweightedKNN)。实验表明,在一定的条件下,FWKNN能够极大地提高分类准确率。

特征加权支持向量机

该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。