基于D-LLE算法的多特征植物叶片图像识别方法

为了提高植物叶片图像识别的准确率,提出一种基于差异性值监督局部线性嵌入(D-LLE)算法的多特征植物叶片图像识别方法。该方法提取叶片的颜色、形状和纹理作为叶片多特征,在加权局部线性嵌入(WLLE)算法中引入样本的差异性值构成差异性值监督LLE算法(D-LLE)对叶片高维特征进行降维,在低维空间采用最近邻分类器实现叶片的识别。该方法所用的叶片多特征比单一特征像素值更能描述叶片图像,同时差异性值能够充分挖掘样本的类别信息。基于实拍的叶片图像数据库的实验结果表明,该方法有效提高了叶片的识别精度。

基于降维和聚类的大规模多目标自然计算方法

在多目标优化问题中,随着决策变量数目增多,算法的寻优能力会显著下降,针对这种“维数灾难”的问题,提出基于LLE降维思想和K-means聚类策略的大规模多目标自然计算方法。首先通过LLE降维思想对决策变量进行优化,得到高维变量在低维空间中的表示,再通过K-means策略对个体分组,为种群选择合适的引导个体,提高算法的收敛性和多样性。为验证算法有效性,将该方法应用于多目标粒子群优化算法和非支配排序遗传算法中,对收敛性进行了分析,证明该算法以概率1收敛。通过ZDT、DTLZ系列8个测试问题进行仿真试验,与6个代表性算法进行对比,通过PF、IGD指标、HV指标的评价结果验证其综合性能,并将其应用于水泵调度问题中。综合实验结果表明,所提方法具有较好性能。

基于多维度覆盖率的嵌入式软件测试分析方法

嵌入式软件主要用于对其他设备的控制、监视及管理,对其进行测试时需要1个有效的完整度量,用于评价测试的可靠性、稳定性,为此,提出基于多维度覆盖率的嵌入式软件测试分析方法。利用多维度覆盖理论,从多个角度分析软件测试覆盖率,根据软件测试实际情况,找出软件测试中的薄弱点,对软件测试动态结果做出综合评价。在同一环境运行条件下,对比基于多维度覆盖率测试分析方法与基于目标码测试分析方法的软件测试缺陷率分析结果,证明研究的有效性。

基于多嵌入维加权一阶局域法煤矿灾害混沌时间序列预测

煤矿生产过程中常伴有煤与瓦斯突出等矿井动力灾害,威胁矿工的生命安全。文章提出了多嵌入维加权一阶局域法,并通过Lorenz混沌时间序列对该方法进行了验证且与加权一阶局域法进行了比较。通过对矿井灾害预测表明,应用多嵌入维加权一阶局域法预测结果的精度得到了提高。该方法具有较好的适应能力和鲁棒性。

基于混沌关联维与决策树的运动数据分类研究

运动数据能够为运动的监测与管理提供指导依据,由于采集设备的差异导致运动数据表现出多源、混沌、非规则等特征,现有运动数据分类方法在准确性和效率等方面仍有欠缺,因此提出了基于混沌关联维与决策树的运动数据分类方法。首先构建运动数据相空间,利用时间的自相关与互信息来确定最优混沌延时,利用虚假临界点的条件约束确定最优嵌入维度;根据相空间内存在的关联相点对数量,计算得到关联积分,从而完成数据特征提取。然后针对运动数据的高维属性设计多参决策树,根据信息增益与增益率评价确定分裂规则,根据熵期望确定最优分裂点。最后通过轮廓相似性判断数据所属类别,完成运动数据分类。基于WEKA平台的仿真结果,验证所提方法显著提高了运动数据分类的准确性,准确度达到81.47%,灵敏度达到83.92%,降低了错误分类概率,不合度仅为19.46%;另外,决策树规模与叶子数量的降低,以及吞吐量结果均表明方法具有良好的数据处理速度,有效提升了数据分类效率。

基于资源缓存的应用快速切换技术

为了加快嵌入式智能终端多应用切换速度,提出了一种基于资源缓存的应用快速切换技术。设计了一种使用资源缓存代理机制的资源管理框架,缓存应用切换到后台运行时的资源状态,建立以最小化应用切换时间为目标的资源管理模型,并将该模型转化为多维多选择背包问题,为解决该问题分别提出基于穷举搜索和启发式方法的资源缓存算法。实验结果表明,基于穷举搜索的资源缓存算法复杂度虽高,但是可以求得应用切换时间问题的最优解;而与之相比,启发式的资源缓存算法可以在较短时间内求得次优解,更适合于嵌入式终端采用,以实现多应用间的快速切换。

改进的多流形LLE学习算法

流形学习已成为机器学习和数据挖掘领域的研究热点。比如,算法LLE(Locally Linear Embedding)作为一种非线性降维算法有很好的泛化性能,被广泛地应用于图像分类和目标识别,但其仅仅假设了数据集处于单流形的情况。MM-LLE(Multiple Manifold Locally Linear Embedding)学习算法作为一种考虑多流形情况的改进算法,依然存在几点不足之处。因此,提出改进的MM-LLE算法,通过任意两类间的局部低维流形组合并构建分类器来提高分类精度;同时改进原算法计算最佳维度的方法。通过与算法ISOMAP、LLE以及MM-LLE比较分类精度,实验结果验证了改进算法的有效性。

自适应嵌入的半监督多视角特征降维方法

半监督模式下的多视角特征降维方法,大多并未考虑到不同视角间特征投影的差异,且由于缺乏对降维后的低维矩阵的稀疏约束,无法避免噪声和其他不相关特征的影响。针对这两个问题,提出自适应嵌入的半监督多视角特征降维方法。首先,将投影从单视角下相同的嵌入矩阵扩展到多视角间不同的矩阵,引入全局结构保持项;然后,将无标签的数据利用无监督方法进行嵌入投影,对于有标签的数据,结合分类的判别信息进行线性投影;最后,再将两类多投影映射到统一的低维空间,使用组合权重矩阵来保留全局结构,很大程度上消除了噪声及不相关因素的影响。实验结果表明,所提方法的聚类准确率平均提高了约9%。该方法较好地保留了多视角间特征的相关性,捕获了更多的具有判别信息的特征。

基于多嵌入维数的时用水量LSSVM组合预测

为解决供水系统调度所需混沌时用水量高精度预测等问题,将最小二乘支持向量机(LSSVM)组合预测模型应用到城市时用水量预测中。在分析不同嵌入维数和预测方法对模型预测精度影响程度的基础上,提出了基于多嵌入维数的LSSVM组合预测模型。采用互信息法和G-P方法求取多个嵌入维数,并建立了不同相空间模型,通过LSSVM算法对上述多个预测模型进行了组合预测,既综合了各不同嵌入维数各预测方法下的信息,又对单一模型下的预测偏差进行了融合,以有效地提高预测精度;最后在某地进行了时用水量序列的仿真实验。研究结果表明,该模型预测精度平均误差小于2%,明显优于各单一模型的预测结果,证实了该组合模型的有效性和实用性。

基于混沌特性分析和Volterra滤波器的光伏出力预测

在混沌理论中,现有嵌入维数计算方法往往难以获得时间序列的最佳嵌入维数,不同计算方法获得的嵌入维数稍有不同,相应光伏出力的预测结果也就不同。为减小嵌入维数对预测结果的影响,在分析光伏出力时间序列非线性动力学特性的基础上,设计了一种基于多嵌入维数的Volterra组合预测模型。组合模型采用神经网络对各嵌入维数下的Volterra单一模型进行组合,单一预测模型均采用性能表现最好的2阶Volterra滤波器。仿真结果验证了组合模型的可行性和有效性。

基于多尺度稀疏近邻图的近邻保持嵌入算法

针对近邻保持嵌入算法NPE中构造近邻图所存在的缺陷,提出了基于多尺度稀疏近邻图的近邻保持嵌入算法.对于每个待识别的人脸图片,该方法都建立一个具有九个尺度的图像金字塔,并且计算金字塔中每个尺度的图片与其他图片金字塔对应尺度的稀疏近邻.利用稀疏表示算法抗遮挡的特性,通过计算样本多尺度近邻的方法克服了传统方法丢失人脸图片二维结构的缺点.结果表明,该算法具有较强的鲁棒性,比传统的NPE算法具有更好的识别效果.

基于Gabor小波和LLE的掌纹识别

为了更好地提取掌纹图像的非线性特征,文中提出一种基于Gabor小波变换和局部线性嵌入的掌纹识别算法。通过提取ROI进行光照和滤波预处理,之后进行Gabor小波变换,提取掌纹图像的多尺度特征,利用非线性的LLE算法提取主元,用最近邻方法进行分类。通过Poly U掌纹库进行验证,比较了预处理、不同ROI提取方法、LLE算法的参数对识别率的影响。实验表明,此方法相比于传统的线性降维算法以及单独的LLE算法在识别率上均有所提高。