基于粗糙集属性约简和贝叶斯分类器的故障诊断

利用改进的小波包对收集的信号进行特征提取,解决了小波包分解的频率混叠问题;针对故障信息中的冗余属性问题,提出了基于类差别矩阵改进属性重要度的属性约简算法,根据各条件属性在类差别矩阵中出现1的频次定义新的属性重要度,提高属性约简的效率;通过考虑条件属性与类属性间的关联性,提出了基于熵权法的属性加权朴素贝叶斯分类器算法,提高故障分类精度。通过对滚动轴承故障数据的对比分析,验证了所提组合方法在提高故障诊断正确率、快速性方面所具有的优势。

一种基于属性贝叶斯网络的行为识别模型

针对传统行为识别方法仅利用底层特征识别的不足,提出了一种将动作属性与贝叶斯网络相结合的行为识别方法.首先,提取视频中的时空兴趣点及其3D-SIFT特征描述符,用词袋的方法建立时空词典对视频序列进行表示;然后,利用底层特征训练属性分类器,构造由底层特征到高层特征的映射,将底层特征样本经过属性分类器后得到行为—属性的样本信息,并采用MAP(最大后验概率)准则学习贝叶斯网络结构,从而建立一种基于属性贝叶斯网络的行为识别模型.实验结果表明该模型能有效地进行行为识别.

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.

基于属性学习的图像识别研究与实现

图像中所蕴含的属性对于图像识别有着重要作用,以往的传统分类方法往往忽略了这些特征.视觉属性能够展现人们识别事物时所定义的语义概念,更符合人类识别图像的过程.因此,本文主要研究基于属性学习的图像识别,提出一种将属性和对象类别同时用于构建分类器的方法.通过提取图像底层的基本特征,构建属性分类器和类别分类器.属性分类器采用了直接预测模型.类别分类器SVM是一种线性化和升维的方法,在SVM方法中使用了核函数,通过核函数把低维空间的非线性映射到高维空间的线性,经过这个转化,大大提高了学习机器的非线性处理能力.同时,建立SVM模型所需要的先验干预较少.将这两种分类器运用到图像识别过程中,获得了较好的效果.