基于多视角学习的多光谱和PolSAR影像特征级协同分类

现有多光谱和PolSAR影像特征级协同分类研究大多忽视了不同数据源特征间的互补性关系,因此通过引入多视角学习技术,提出了一种新的多光谱和PolSAR影像特征级协同分类方法。首先将多光谱影像特征和PolSAR影像特征看作两种不同视角,采用典型相关分析算法进行特征融合;然后将融合特征、多光谱和PolSAR影像特征组合为一个特征集;最后进行特征选择和分类。以吉林省长春市部分区域为研究区,以Landsat8和RadarSat-2影像为数据源,利用该方法进行土地覆被分类,取得了较好的效果,总体精度和Kappa系数分别为91.80%和0.89;并通过对比方法进一步证明了该方法的有效性。

一种增强差异性的半监督协同分类算法

半监督学习中的Tr-i Training算法打破了以往算法对充分冗余视图的限制,并通过利用三个分类器处理标记置信度和样本预测问题提高了标记效率.为进一步增强协同训练过程中分类器之间的差异性以提高性能,本文在其理论基础上提出了一种增强差异性的半监督协同分类算法.该算法利用三个不同的分类器进行学习;考虑到分类模型在更新过程中,可能会因随机抽样导致性能恶化,该算法利用基于标记类别的分层抽样法来对已标记样本集进行抽样,并通过基于分类正确率的加权投票法实现了分类器的集成,提高了预测准确率.本文通过实验对所提出算法与Tr-i Training算法做了性能比较,实验结果表明本文所提出的方法在分类问题上具有较好的性能,验证了该算法的有效性和可行性.

基于竞争最优原型的淋巴细胞协同分类

目的提出一种基于竞争最优原型的淋巴细胞协同分类方法。方法首先,采用改进的ISODATA算法聚类同型多态的淋巴细胞原型集;然后,依据待分类细胞样本,建立协同竞争机制求出各原型集中的最优原型;最后,将待分类样本分别与各型最优原型进行相似匹配,以最大相似结果作为分类结果。结果实现了淋巴滤泡套细胞、淋巴滤泡中心细胞、淋巴滤泡中心母细胞、中心母细胞性淋巴瘤细胞等4组类型的细胞分类。结论实验结果表明该方法分类效果理想,为下一步淋巴细胞定量分析打下基础。

“软件人”感知系统的协同分类模型研究

"软件人"是计算机网络世界中的一类软件人工生命,是一种网络中的"虚拟机器人",它具有拟人结构。作为对人的模拟,其感知系统应该像人的感知系统一样,具有区分感知对象的能力。基于人体感知系统的启发,运用大系统分析的"分解-集结"方法,本文提出了一种"软件人"感知系统的协同分类模型。该模型通过多分类器系统模拟人的不同感觉,从而实现"软件人"对感知对象的多感觉协同分类。仿真实验结果初步验证了本文提出模型的可行性。今后的工作是研究如何构造实际系统并将其应用于数字气田建设的数据处理工作中。

一种面向运动解码的EEG-fNIRS时频特征融合与协同分类方法

脑功能成像技术可以反映人体运动时的大脑生理变化,进而解码运动状态,但单模态信号反映的大脑生理信息存在局限性。为此,本文提出了一种基于EEG和fNIRS信号的时频特征融合与协同分类方法,利用脑神经电活动和血氧信息的互补特性提高运动状态解码精度。首先,提取EEG的小波包能量熵特征,使用双向长短期记忆网络(Bi-LSTM)提取fNIRS的时域特征,将两类特征组合得到包含时频域信息的融合特征,实现EEG和fNIRS不同层次特征的信息互补。然后,利用1DCNN提取融合特征深层次信息。最后,采用全连接神经网络进行任务分类。将所提方法应用于公开数据集,本文所提的EEG-fNIRS信号协同分类方法准确率为95.31%,较单模态分类高7.81%~9.60%。结果表明,该方法充分融合了两互补信号的时频域信息,提高了对左右手握力运动的分类准确率。

哨兵光学及SAR卫星影像协同分类研究

针对光学遥感影像中云及云阴影以及微波影像中叠掩、阴影、透视收缩等导致的地物信息缺失对分类、定量反演造成的不利影响,以光学卫星哨兵二号(S2)、SAR卫星哨兵一号(S1)影像为例,将R语言随机森林(RF)、支持向量机(SVM)、人工神经网络(ANN)机器算法引入光学微波遥感图像协同分类研究中。研究表明:协同S1,S2各自优势,可充分协同地物的光谱特征、微波后向散射、极化分解等信息,有效减轻S2云、云阴影以及S1影像地物信息缺失对地类识别造成的不利影响。采用RF交叉验证函数(RFCV)和IncNodepurity(节点纯度总增加)值确定RF最优分类因子,采用varImp函数以及按分类因子重要性逐个添加法可选取ANN、SVM最优分类因子。RF算法分类精度较高,适用于样点分布随机、均匀的研究区,研究区不同地类面积从大到小依次为灌草、其他、落叶林、草地、常绿林、混交林、水体。协同分类结果表明,光学、微波影像协同法、最优因子选择法以及R语言遥感数据处理方法在影像分类中应用效果较好。

基于标签传播的协同分类欺诈检测方法

网络借贷领域中的欺诈检测是根据收集到的用户历史交易数据等信息,来判断该用户是欺诈用户还是正常用户.现有方法认为用户是独立存在的,忽略了用户之间的关联信息.考虑到目前欺诈逐渐成为群体行为,在欺诈网络内呈现出欺诈节点与非欺诈节点关联稀疏,而欺诈节点间关联紧密的现象,提出基于标签传播的协同分类欺诈检测方法.通过收集真实网上借贷公司的用户通话数据,构建用户之间的通话关联网络,利用标签传播算法扩散欺诈节点的标签信息,确定未知标签节点是否为欺诈用户.通过对权重进行幂操作,改进了标签传播算法中概率转移矩阵的初始化方法,使其适应欺诈场景下正负样本分布不平衡的现象.在有标签样本比例极低且训练样本分布不均衡的真实借贷数据集中进行了7次测试,采用所提算法检测到欺诈用户的精确率最高达17%,所得F 1值与精确率都比经典的WvRn算法更优.

光学协同合成孔径雷达数据的森林类型分类研究

为探究光学数据和合成孔径雷达(Synthetic Aperture Radar,SAR)数据在森林类型分类中的优势和互补性,以云南省普洱市思茅区的Landsat 8数据与微波遥感SAR影像ALOS2数据相交覆盖区域为研究区,采用分层分类技术进行森林类型分类研究。构建3种特征集,光学数据特征集(光谱+植被因子+纹理+地形特征)、SAR特征集(后向散射+极化分解特征)、光学-SAR融合数据特征集(光谱+植被因子+纹理+地形+后向散射+极化分解特征),并使用递归特征消除法(Recursive Feature Elimination,RFE)对提取的3种特征集分别进行分层特征筛选,再用随机森林(Random forest,RF)、支持向量机(Support Vector Machine,SVM)对森林类型分类,光学-SAR融合数据SVM的分类效果最好。结果表明,1)在第1层(植被/非植被)分类时,总体精度为98.57%,Kappa系数为0.971;2)在第2层(森林/非森林植被)分类时,总体精度为92.14%,Kappa系数为0.826;3)在第3层(针/阔/混交林)分类时,总体精度为83.47%,Kappa系数为0.743。融合数据相比于光学数据集分类精度提高9.91%,比SAR分类精度提高24.97%;4)在融合数据集进行第3层次的分类中,对比不同窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对分类结果的影响,7×7纹理窗口下精度最高。结果表明,多源数据协同的森林类型分类精度相比于单一数据源精度更高。

基于集装箱作业标记的U型堆场分类协同调度

为优化U型堆场作业因集装箱分类不合理造成调度混乱的问题,提出分类协同调度过程,以不同任务协同作业、各任务高效作业的过程为约束条件建立分类协同调度模型。提出集装箱分类原则和集装箱多重堆存原则,在堆存选位时基于集装箱作业标记进行加权计算构成惩罚机制,设计了分类协同启发式算法求解模型。实验表明:基于惩罚机制的分类协同启发式算法所采用的策略更优,减少作业过程中设备相互等待的时长,并且随着实验规模的增加等待时长占比低,进而提高U型码头整体作业效率。

基于持续学习的中医舌色苔色协同分类方法

中医(traditional Chinese medicine, TCM)舌诊客观化研究中需要分析的舌象特征很多,不同的舌象特征往往采用单独的方法进行分析,导致分析系统的整体实现复杂度大幅增加。为此,基于持续学习的思想,提出一种中医舌色苔色协同分类方法,该方法将舌色分类作为旧任务,将苔色分类作为新任务,充分利用2个任务的相似性和相关性,仅通过一个网络结构就同时实现舌色和苔色的准确分类。首先,设计一种基于全局-局部混合注意力机制(global local hybrid attention, GLHA)的双分支网络结构,将网络高层语义特征与低层特征相融合,提升特征的表达能力;然后,提出基于正则化和回放相结合的持续学习策略,使得该网络在学习新任务知识的同时有效防止对旧任务知识的遗忘。在2个自建的中医舌象特征分析数据集上的实验结果表明,提出的协同分类方法可以获得与单个任务相当的分类性能,同时可以将2个分类任务的整体复杂度降低一半左右。其中,舌色分类准确率分别达到93.92%和92.97%,精确率分别达到93.69%和92.87%,召回率分别达到93.96%和93.16%;苔色分类准确率分别达到90.17%和90.26%,精确率分别达到90.05%和90.17%,召回率分别达到90.24%和90.29%。

协同全极化SAR与光学遥感的潮沟精细提取方法

潮沟系统是粉砂淤泥质潮滩中最为活跃的地貌单元,受潮汐周期性冲刷、人类活动和海平面上升等因素的影响,大范围潮沟精细监测具有挑战性。本文提出了一种基于高分三号全极化合成孔径雷达(SAR)与PlanetScope多光谱遥感影像的潮沟探测和提取方法。通过融合光谱、指数、极化、纹理等特征,构建最优特征集,结合最大似然法、支持向量机及随机森林算法开展协同分类,获得了黄河口3 m分辨率的潮沟精细分布信息。结果表明,该方法的总体精度达到99%,F1值为0.98,提取结果优于单一数据源。本文方法有望为河口海岸带潮沟制图提供一种经济、有效的选择,有助于定量描述潮沟形态演变、稳定性及驱动因素。

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和决策树(Decision Tree,DT)分类算法模型提取地表信息。结果表明:①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。

基于多维度协同机制的高校教师分类管理方法

随着社会的发展,高校教师单一化管理已不适应高校发展的需求了。因此,探索高校教师的多维度协同管理方法已成为人们比较关注的问题之一。本文基于多维度协同机制,从高校教师分类方案、目标、管理、考核等几个维度进行研究,提出了基于多维度协同机制的高校教师分类管理方法。并将该方法在苏州大学计算机科学与技术学院实践,验证了该方法不仅适合计算机学科教师管理,也适合当代高校教师管理。

组织协同进化分类算法

提出了一种有效的用于数据挖掘分类任务的方法———组织协同进化分类算法 (OrganizationalCoEvolution aryalgorithmforClassification ,OCEC) ,与现有遗传分类方法的运行机制不同 ,它的进化操作直接作用于数据而不是规则 ,进化结束后再从各组织中提取规则 ,这样有利于避免在进化过程中产生无意义的规则 .提出了三种组织进化算子———增减算子、交换算子与合并算子和一种组织选择机制 ,给出了属性重要度的进化方式并基于此定义了组织适应度 .作者将算法用于UCI数据集 ,并与现有的基于遗传和非遗传的分类方法进行了比较 .实验结果表明该文方法获得了更高的预测准确率 ,产生了更小的规则集 ;对同一数据集进行k 次交叉验证 ,其预测准确率的波动较小 。

基于多核协同表示分类的脑肿瘤分割算法

为了从脑核磁共振(MR)图像中分割出脑肿瘤区域,为疾病诊断和手术导航提供参考,该文在核方法框架下提出一种基于多核协同表示分类的脑肿瘤分割算法。首先对脑肿瘤图像进行多尺度超像素分割,并构造基于超像素区域的空间特征,在多核框架中利用多核协同表示分类方法,将原始光谱信息与所提取的多尺度空间特征融合并应用于脑肿瘤图像的分类,最后结合临床特征实现了脑肿瘤区域的分割。在MICCAI BraTS 2012和2013数据集上的测试结果表明,与现有脑肿瘤分割算法相比,该文方法能够更好地提取脑肿瘤区域,并具有较好的分割精度。

基于PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。

一种用于农作物叶部病害图像识别的双权重协同表示分类方法

农作物病害是我国主要的农业灾害之一,准确识别病害类型是防治农作物病害的关键。因此,首先采集了小麦、玉米、花生、棉花4种农作物的22种常见叶部病害的441张图像;然后,在对每张病害图像中的叶片和病斑进行分割的基础上,分别提取了描述农作物种类的叶片特征参数和描述病害类型的病斑特征参数;其次,将这两类特征参数组合并作归一化处理,得到病害图像的数据特征向量;再次,采用所有病害图像的数据特征向量,构建了一个农作物叶部病害数据集;最后,在同时考虑数据特征重要性和数据空间局部性的基础上,提出了一种双权重协同表示分类(DWCRC)方法并将其用于农作物叶部病害识别。在农作物叶部病害数据集上的实验结果表明,提出的双权重协同表示分类方法在用于农作物叶部病害识别时具有较高的识别率。

“分类协同型”金融专业研究生培养模式的探索与实践

描述"分类协同型"金融专业研究生培养模式的内涵及特点,介绍了湖南大学金融学院采用该培养模式在研究生团队中进行的实践与探索,说明该培养模式实施6年以来在研究成果、学生就业、学习能力和积极性方面取得的成效。

基于协同编码分类器的SAR目标识别方法

合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)是SAR图像解译的关键技术之一。本文提出了基于协同编码分类器的SAR目标识别方法。协同编码采用所有类别训练样本构建的全局字典最优重构测试样本,并根据各类别的重构误差判定目标类别。相比稀疏表示的方法,协同编码的策略可以提升少量训练样本对于测试样本的表示能力。针对SAR目标识别,训练样本的资源十分有限。因此,协同编码表示更为适用。采用MSTAR十类目标数据集在多种条件下进行了目标识别实验并与其它分类器进行了对比。实验结果表明,本文方法在标准操作条件、型号变化、俯仰角变化以及少量训练样本等条件下均可以觉得优越的识别性能,证明了其有效性。

基于改进协同表示的二级分类人脸识别方法

基于协同表示分类(CRC)算法在实际应用中的效果,考虑到样本局部相似性先验信息对分类识别的不同贡献,构建加权矩阵,并嵌入到CRC中,称为加权CRC.为进一步改善人脸识别的性能,设计了如下算法:一种将加权CRC重复两次;另一种则将其与线性表示分类(LRC)结合.两种方法的共同特点为:首先基于主成分分析(PCA)对所有图像样本进行降维,以降低计算的复杂度;其次都是在第一阶段的加权CRC中根据重构残差排序保留相关性较大的训练样本用于下一阶段的分类识别.这种缩小分类目标的做法,使识别更精确.在ORL,FERET及AR人脸数据库上通过仿真验证了本文所提方法的有效性.