基于群智能算法分类模型的番茄病害识别

作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。

构建面向实际应用的科技文献自动分类引擎

文献分类是图书馆学情报学领域的一个传统研究问题。实用化的中图法自动分类系统最重要的一个要求就是能够将文献精确地自动分类到三级或四级类目之下,这意味着需要将特定文献较为精确地自动分类到上千个类目之下。为了构建面向实际应用的科技文献中图法自动分类引擎,本文基于层次分类思想,设计和实现了一个基于多层分类器集群的科技文献自动分类引擎系统,并重点解决了科技文献自动分类引擎建设中的四个关键问题:(1)如何获取并构建大规模高质量分类训练数据以提升自动分类效果;(2)如何设计和实现多层分类器集群以有效解决上千个类目自动分类的准确性;(3)如何面向现实要求来优化处理流程以提升分类速度;(4)如何设计和开放接口以支撑引擎的开放调用。最终构建了科技文献自动分类引擎,各项指标达到了实用化要求,初步实现了基于中图法的自动分类系统的实际应用。图4。表7。参考文献16。

核主成分分析与随机森林相结合的变压器故障诊断方法

油中溶解气体分析(dissolved gas analysis,DGA)是变压器故障诊断的重要方法。变压器故障诊断研究大多采用人工智能方法学习建立单个分类器,与单个分类器相比,分类器群能够更全面地学习样本集特性,达到更好的诊断效果。分类器间的差异性是影响群体性能的主要因素,针对DGA特征量较少训练得到的分类器差异不大的问题,提出将核主成分分析(kernel principle component analysis,KPCA)与随机森林方法相结合,KPCA将样本从低维的状态空间非线性地映射到高维的核空间,在核空间用随机森林方法训练得到分类器群。对DGA故障样本以及加噪样本的诊断实验结果表明,KPCA能够有效地提取故障特征,用核特征量建模的诊断效果优于直接采用DGA特征量,分类器群的诊断效果以及抗干扰能力均高于单个分类器。

小规模数据多角度人脸表情人工智能识别仿真

已有人脸表情智能识别方法存在图像遗漏、识别速度慢、以及表情易混淆的问题,导致识别正确率低,且不适用于多人脸识别。为解决上述问题,提出小规模数据多角度人脸表情人工智能识别方法。结合去噪自编码器、稀疏自编码器及普通自编码器组成具有5层网络结构的堆栈式混合自编码器。在网络结构中训练数据样本,并对样本完成微调、权重初始化和更新。再结合粒子群优化分类器识别表情,将粒子最优值带入人脸表情识别目标函数,获得判定表情的决策矩阵,完成人脸表情人工智能识别。仿真结果表明,所提方法识别多人表情识别时无遗漏,且识别速度快、精度高、人脸表情不易混淆。

采用核主成分分析和随机森林算法的变压器油纸绝缘评估方法

为了实现对电力变压器绝缘状态的智能评估,提出了一种融合核主成分分析和集成学习理论的电力变压器油纸绝缘评估方法。在特征提取方面,通过回复电压法(recovery voltage method,RVM)提取特征量,并对特征量进行核主成分分析(kernel principle component analysis,KPCA),将低维度的样本空间映射到高维度的核空间,并按照重要性进行排序;在评估识别方面,利用集成学习的思想建立分类器群模型,克服了单分类器的局限性,并提高了分类器的分类预测能力。通过实例论证,融合核主成分分析和集成学习的分类模型在变压器油纸绝缘评估中具有很高的准确性。

基于层次分类法的中文医学文献分类研究

文章通过解决深层文献分类中的效果优化和效率提升问题,有效实现中文医学文献的中图法自动分类。首先采用层次分类思想,构建基于BERT模型的两层分类器集群,以实现在深层文献分类中分类效果的优化;其次,基于微服务的方式对处理流程进行优化以实现分类速度的提升。在此基础上,设计单层分类器和两层分类器集群分类效果与分类速度的对照实验,对比分析两种模型的分类效果以及分类速度差异。实验结果表明:两层分类器集群较比单层分类器取得了更好的分类效果,其F1值得到4.39%的提升;基于微服务的方式可以有效提升分类器的预测速度。为实现快速、准确的文本自动分类提供了一种解决方案。