一种基于TCM-SVDD的样本类别标注方法

船舶机械噪声源的识别是一个小样本条件下的模式识别问题,采用增量学习是解决此问题的一条有效途径。但在进行增量学习以前,必须对新增样本的类别进行有效识别。为有效识别新增样本的类别,提出一种新的TCM-SVDD方法。首先,通过支持向量数据描述(SVDD)方法获得训练样本与新增样本的拉格朗日乘子;然后,将其作为该样本的奇异值代入直推置信机(TCM)中,估计新增样本属于不同类别的置信度,并将其与预设的置信水平进行比较;最后,剔除新增样本中的异类样本,实现增量学习。试验结果表明,该方法能快速、准确地识别异类模式样本,对训练样本集中混有少量异类模式样本的情况不敏感,而且可以控制对异类样本的检测准确率,自动化程度高。

基于边界异类近邻关系构建的新特征提取方法

特征提取广泛应用于模式识别中。它去除原始样本的冗余信息,提取出有助于样本表示或分类的简洁有用的信息。线性鉴别分析(LDA)属于传统的监督特征提取方法,它旨在寻找最小化类内散度(方差)同时最大化类间散度(方差)的低维线性投影子空间。提出一种新的特征提取方法,旨在改进LDA,该方法在LDA的基础上,增加了每个类的中心点与该类边界异类样本的近邻关系,通过类中心对边界异类样本的排斥,扩大了类与类相互的边距,增强了类的可分性。YaleB人脸数据库和CENPARMI手写阿拉伯数字库中的实验结果,证明了新方法确实能够提高分类效果。

基于大间距思想的虚拟样本优化求解分类算法

在训练样本中,某些类与其他类的一些样本混杂或距离很近,后者被称为边界异类。此时,类中心离边界异类也近,从而影响最小类中心分类器的识别率。基于大间距思想,提出了一种新的分类算法,旨在改进最小类中心分类器。新分类算法为每类求解一个虚拟样本,使其尽可能排斥异类样本,并让每类虚拟样本取代该类中心点做分类。与类中心相比,虚拟样本离边界异类更远,因此增强了分类的可靠性。在CENPARMI手写阿拉伯数字库和Yale B人脸数据库上的实验表明,新分类算法的分类效果优于最小类中心分类器。

医保决策支持系统中的聚类算法

本文介绍了几类常用的聚类算法 ,总结了高质量聚类算法的特点 ,并在医疗保险智能决策系统中进行应用分析。

一种改进模糊C均值聚类的图像标注方法

本文主要利用图像底层特征以及图像标签的语义信息对图像进行自动标注,在此基础上提出了改进模糊C均值(FCM)聚类的标注方法.首先结合图像特征以及同类、异类样本间的关系信息,融合聚类中心之间的距离,改善了算法中距离测度较为单一的问题.在目标函数中将传统的距离测度改为同类样本距离与异类样本距离之差,体现了同类样本的密度和异类样本的稀疏程度,提高了标注准确率.然后使用改进后的算法对每类图像进行聚类,计算待标注图像到各个聚类中心的平均距离来判断其类别.之后计算图像到各个子类的聚类中心的距离,并统计所属类内的标注词即为图像的标注词.利用Corel5K和iaprtc12来验证算法的可行性,通过实验对比不同测度以及分析不同标注模型的结果,表明该方法有效的提高了标注准确率.

多分类SVDD混叠域识别的模拟电路故障诊断

针对多分类支持向量域数据描述(SVDD)方法中混叠样本诊断精度差的问题,提出了一种带异类样本的多分类SVDD算法;该方法在普通SVDD超球模型基础上,对于存在混叠区域的类别,以该类所有样本为目标类,其他类与之混叠的样本为异类,利用带异类样本的SVDD算法重新训练,直至所有超球优化完毕;仿真实验验证了文章算法消除混叠和提高精度的能力,并将该算法应用于模拟电路故障诊断中;相较与SVDD多分类算法、一对一和一对多SVM算法,文章方法在模拟电路故障诊断中具有更高的诊断精度。