基于线性分类器的充油变压器潜伏性故障诊断方法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段。文中介绍了一种基于线性分类器、以DGA数据为特征参数的充油变压器潜伏性故障的识别方法。运用该方法进行了大量的应用实例分析,并将识别结果与BP神经网络法以及IEC三比值法进行了对比。结果表明选用H_2、CH_4、C_2H_2、C_2H_4、C_2H_6、CO、CO_2七种特征气体作为特征参数时,该方法显示出较高的准确度。

基于闭凸包收缩的最大边缘线性分类器

SVM(support vector machines)是一种基于结构风险最小化原理的分类技术.给出实现结构风险最小化原理(最大边缘)的另一种方法.对线性可分情形,提出一种精确意义下的最大边缘算法,并通过闭凸包收缩的概念,将线性不可分的情形转化为线性可分情形.该算法与SVM算法及其Cortes软边缘算法异曲同工,但理论体系简单、严谨,其中的优化问题几何意义清楚、明确.

基于线性分类器的混合空间查找表颜色分类方法

提出了一种基于线性分类器的混合颜色空间查找表颜色分类方法,该方法主要解决颜色查找表分类方法的区分能力受颜色空间选择、阈值确定等因素影响而难以区分近似颜色的问题。将模式识别中的线性分类器思想应用于颜色查找表映射关系的建立,并通过同时使用HSI空间与YUV空间的方法提高查找表对近似颜色的区分能力。实验结果表明,基于线性分类器的混合空间查找表颜色分类方法具有查找表建立原则简单、效果直观的特点,并且对近似颜色有较强的区分能力,适用于彩色图像的快速颜色分割。

线性分类器与BP网络联合诊断变压器故障

油中溶解气体分析(DGA)是目前电力充油设备潜伏性故障诊断的重要手段。为了克服传统BP网络及其改进诊断算法所具有的隐层节点数多、收敛时间长的缺陷,减少算法运算量及提高变压器故障诊断的正确率,提出了一种新的诊断算法:线性分类器-BP神经网络(LC-BP)故障辨识方法。通过对变压器大量过热和放电两类典型故障数据的研究,发现其DGA故障数据的特征空间线性可分且分离度较好。基于以上特性,先用线性分类器诊断过热和放电故障,然后利用两个小型BP网络分别进行进一步诊断,得到最终诊断结果。实验结果表明,提出的LC-BP算法具有良好的分类能力,故障诊断的正确率达到94%,且网络结构简单,运算量小,从而为变压器的故障诊断提供了一条新的有效途径。

一种Winnow线性分类器及其在TREC Novelty任务中的应用

文本检索会议(TextREtrievalConference,TREC)是目前国际上信息检索领域最重要的学术交流与国际评测活动。笔者等人代表中科院计算所参加了2003年TREC的Novelty任务。在该任务中,实现了Winnow线性分类器在检测relevant句子和novel句子中的应用。实验表明,这种简单的分类方法表现了较好的性能。

H.264中全零块检测的线性分类器算法

针对H.264视频编码中传统全零块检测方法检测率较低的问题,提出了一种全零块检测的线性分类器算法.根据编码特性选择5个变量作为全零块检测的特征,基于参考块的全零块情况,设计了2个不同的线性分类器来区分全零块和非全零块,然后选取代表不同运动程度的视频样本,利用Fisher准则训练得到2个分类器的权系数和不同量化参数下全零块检测的阈值,最后用最小二乘原理将各个量化参数下的阈值拟合成量化参数的二次多项式,从而得到最终的全零块检测的线性分类器.实验结果表明,新算法在基本不降低视频质量的同时,能获得比其他现有算法更好的检测率,并且有效地缩短了编码时间.

基于大间隔双线性分类器进行亲子关系验证

目前机器学习算法已经能够很好地理解单张人脸图像,但是探究多个主体之间的关系仍然是计算机视觉领域的一大挑战。父母-孩子关系是家庭关系的核心部件,研究这一关系对促进人工智能加深对人类社会的理解有重要影响。为此,通过在互联网上搜索名人及其家人的照片建立了一个目前最大的亲子关系图像数据库LKFW(labeled Kin Face in the wild)。基于大间隔双线性分类器(large margin bilinear classifier,LMBC)进行亲子关系验证,其中包括从相似性度量、分类器设计这两个方面来探究孩子和父母之间的空间结构依赖关系。算法借助嵌入核的二次规划进行求解,在Kin Face W和LKFW亲子关系数据库上都达到了比最好性能更好或相当的性能。

使用SVM和二叉树结构的分片线性分类器

提出了一种支持向量机(support vector machine,SVM)和二叉树结构相结合的分片线性分类模型。在每一节点,使用带软间隔的线性SVM计算分类超平面,并统计局部错误率。如果局部错误率在预先设定的阈值之下,则构造可进行最终决策的叶子节点;否则,进行非叶子节点的递归构造。对比实验表明,该分类器具有一定的有效性,优于一些原有分片线性分类器,在部分数据集上甚至能够达到RBF核SVM的水平。

基于多尺度小波变换和加权Fisher线性分类器的离线签名认证

采用多尺度小波变换来提取签名图像四个方向投影(水平、垂直、45度和135度)的相关特征。在签名认证阶段,采用加权Fisher线性判别(WFLD)来消除样本个数不平衡的影响,提高了签名认证的效率。

基于随机双线性分类器的亲子关系分类

孩子-父母关系分析在现实社会中有广泛的应用,研究表明,机器学习算法已经可以较好地进行亲子关系验证,但是亲子关系分类仍然是计算机视觉领域的一大挑战.为此提出一种基于随机双线性分类器进行亲子关系分类,其中包括从相似性度量,分类器的设计这两个方面来探究孩子和父母之间的空间结构依赖关系.通过在模型中对不是一个家庭的图像组的相似度施加约束来确保随机选择样本的稳定性.在TSKinFace和Family101亲子关系数据库上,我们都达到了较对比方法更好的性能.

回采工作面直接顶板的多类线性分类器的设计

本文应用模式识别理论，引用文献中数据建立了回采工作面直接顶板的多类线性分类器；分类结果表明，该分类器的分类效果较文献有所改进，该分类方法具有计算简单，易于理解和应用等特点。

基于加权核范数和L_(2,1)范数的最优均值线性分类器

缺陷检测是智能制造系统的一个重要的环节。在采用传统机器学习算法进行缺陷分类的时候,通常会遇到数据噪声干扰,降低算法对缺陷类别的预测精度。尽管近几年提出了如鲁棒线性判别分析(RLDA)等强大的算法用于解决数据受稀疏噪声干扰的分类问题,但仍存在一些缺点限制其应用性能。该文提出一种新的基于线性判别分析的最优均值鲁棒线性分类模型(OMRLSA)。不同于以往应对噪声数据的分类方法忽略稀疏噪声具有的拉普拉斯分布特性对数据均值的影响,该文所提出的最优均值鲁棒线性分类模型会自动更新数据的最优均值,从而保证数据的统计特性不会受到噪声的干扰。此外,随后的损失函数中首次在鲁棒分类模型中引入了关于正则化和误差测量的联合L_(2,1)范数最小化和秩压缩的加权核范数最小化方法,从而提高算法的鲁棒性。在具有不同比例损坏的标准数据集上的实验结果说明了该文方法的优越性。

一种基于线性分类器的通用指纹分割方法

针对不同传感器采集的指纹难以进行统一准确的分割的问题,提出主频率带能量比值,归一化的灰度均值及灰度对比度值三个更为通用的指纹描述特征,并利用这三个指纹特征,使用SVM方法训练一个线性分类器,对指纹进行有效分割.实验表明,该方法不仅实现了对指纹的准确分割,在FVC2002指纹数据库上平均分割误差约为2%,并且该分割方法具有很好的通用性,适用各种传感器采集的指纹.

基于时变特征和核非线性分类器的飞机目标识别

基于雷达目标距离像,研究时变特征提取和核分类器在雷达目标识别中的应用。由于距离像敏感于目标姿态角的变化,单纯的时域或频域方法难以完整刻画目标的散射特性,因此文中采用时频分析方法,首先提取出距离像时频分布的特征参量,再利用主元分析法降低维数,最后采用基于核的非线性分类器进行目标识别。仿真数据和实测数据表明,该方法具有较好的识别效果。

常用线性分类器算法及基于Mathematica三维可视化

线性分类是利用线性判别函数将不同类数据进行分类的方法,在模式识别中有着重要应用。介绍感知器算法、最小误差平方算法、Fisher算法及支持向量机学习算法等常用线性分类算法。利用Mathematica编程实现计算及可视化三维线性分类,并对不同分类算法的分类效果进行对比。

基于K近邻非线性分类器的高光谱遥感数据分类研究

K近邻等传统分类算法在高光谱遥感影像数据上进行分类时,由于其高维度、非线性特点,分类效果会受到严重影响。本文利用核函数方法,融合K近邻分类算法与Isomap非线性降维算法,提出了一种新的K近邻非线性分类器。该分类器无需通过降维预处理,并具备处理非线性数据的能力。在实验中,通过交叉验证与参数验证证明该方法在高光谱遥感影像上的分类效果明显优于原始K近邻分类算法以及结合主成分分析法的K近邻分类法。

基于线性分类器的手写数字识别

线性分类器作为理解最简单表现最直观的算法之一,在众多更新更复杂的算法的涌现之后,依然在模式识别的应用中有一席之地,有被学习的必要。本文首先建立了一个完整的线性分类器进行手写数字识别,使用MATLAB的研究环境和MNIST的手写数据库样本。首先对于待识别的样本进行预处理,建立线性分类器,使用样本集进行训练并分类,再使用测试集得到其分类效果的数据。为了不同模式识别样本的性能,本文选取了K均值聚类,BP神经网络和SVM算法,分别建立了分类器后,使用相同的样本集进行训练并测试其性能,从识别速度和准确性进行比较。最后本文对不同算法的测试效果进行比较,总结,分析各个识别算法的优劣。建立用户界面直观反映各个分类器的优劣和使用效果。

对抗环境下的线性分类器对抗性比较

机器学习算法为很多安全应用提供了良好的解决方案,然而机器学习算法本身却面临被敌手攻击的威胁。为分析敌手攻击对机器学习算法造成的影响,本文提出符合某些特定场合的敌手攻击模型,并在该模型下比较几种线性分类器的对抗性。最后在垃圾邮件过滤公开数据库上进行测试,实验结果表明,支持向量分类器具有相对较好的对抗性。

基于线性分类器的变压器故障诊断软件编程

针对改良三比值法的不足,提出了一种基于线性分类器的故障诊断方法。结合变压器实际情况,详细阐述了如何对特征参数进行规格化处理,加权向量及判决函数的确定,并且设计了与之相关的编程流程图与数据库。运行结果表明,与改良三比值法相比较,该方法具有更好的故障识别效果。采用此方法对于电力变压器故障诊断具有良好的实用性、可靠性,易于推广。