结合贝叶斯最优分类器和目标图形监测的健美操自动评分系统

针对传统健美操评分过程中评委主观性评价标准影响过大的特点,采用目标图形监测和朴素贝叶斯最优分类器理论,设计了一种健美操力度与动作的自动评分系统.当目标处于最优动作、有效发力且保持最优动作达到设定时间后,对该动作进行计分,以分解动作的总得分评判健美操整体分数.首先说明了系统的目标图形监测流程及硬件设置,阐述了朴素贝叶斯最优分类器在动作识别中的应用,最后针对系统进行了实验.结果表明:该自动评分系统能够有效地对目标健美操动作进行评分,方案完善,识别率较高,具有较强的应用价值.

结合贝叶斯最优分类器的GACV模型对医学彩色细胞图像进行分割

目的:本文对GACV模型进行改进,并用改进的模型对医学彩色细胞图像进行分割。方法:本文在GACV模型基础上加入了贝叶斯最优分类器,得到了结合贝叶斯最优分类器的GACV模型,并用该模型对医学彩色细胞图像进行分割。结果:应用本文提出的模型分割3组不同特点的医学彩色细胞图像,分割结果显示,该模型能正确将细胞从不同噪声环境中分割出来。结论:结合贝叶斯最优分类器的GACV模型对弱边界,噪声以及复杂背景有很强的鲁棒性可以有效、准确的分割医学彩色细胞图像。

多特征多分类器优化匹配的人脸表情识别

针对主成分分析(Principal Component Analysis,PCA)降维过程中由于特征值相对集中而造成维数仍然偏高的不足,本文提出了基于最优样本的主成分分析(Optimal Sample-PCA,OS-PCA)降维方法。OS-PCA通过选择训练样本、优化协方差矩阵,从而达到进一步降维的目的。鉴于离散余弦变换(Discrete Cosine Transform,DCT)对光照的鲁棒性,以及局部二值模式(Local Binary Patterns,LBP)对局部纹理特征的有效描述,本文结合DCT和LBP特征来弥补单一OS-PCA特征在人脸表情表征方面的局限性。为了更好地发挥特征与分类器的协作优势,文章构造了一个三层多分类器最优集成的人脸表情识别模型。该模型首先对表情图像进行预处理操作;然后提取OS-PCA、DCT和LBP特征送入三层模型;最后基于单一特征和相应单一分类器的最佳匹配组合,完成多特征与多分类器的最优集成;在执行粗分类结果投票表决的基础上,进一步对仍有分歧的表情图像进行自适应决策,从而得到最终识别结果。实验表明,OS-PCA较PCA进一步有效地降低了特征维数;同时,基于多特征多分类器的三层识别模型在JAFFE和CK库上分别获得了高于95%和96%的识别率,并表现出比较优越的时间性能。

基于最优朴素贝叶斯分类器的个人信用预测

文中主要研究了朴素贝叶斯分类器算法及其优化算法在个人信用预测上的应用,提出了一种基于最大后验概率熵的最优朴素贝叶斯分类器并用在个人信用的预测上.思想是以训练集中样本在不同朴素贝叶斯分类器上的后验概率熵作为反馈信息,从训练样本中选取部分最优样本,抛弃部分含有噪音的样本,作为最优的朴素贝叶斯分类器.用新算法在德国信用数据上用十字交叉验证的方法进行了实验,并同朴素贝叶斯分类器(naive Bayesian classifier,NBC)和支持向量机(support vector machine,SVM)预测结果进行了对比.实验表明该分类器的预测准确率好于朴素贝叶斯分类器,效率好于支持向量机.

基于代价信息的二类分类器性能评估方法

基于ROC曲线的AUC评估方法能有效评估二类分类器的性能,但是该方法只能评估分类器的总体性能,对代价信息不敏感。基于AUC方法提出用AUCCH方法评估二类分类器性能,该方法在具体代价信息下能分辨出最优分类器,在代价信息未知时能分辨出潜在最优分类器。在MBNC实验平台下编程实现,通过对AUC方法和AUCCH方法实验结果的比较,表明该方法具有有效性和健壮性。

基于AFSA和PSO融合优化的AdaBoost人脸检测算法

针对传统Ada Boost人脸检测算法存在的不足,提出一种将人工鱼群算法、粒子群优化算法和Ada Boost算法相结合的人脸检测算法.该算法利用人工鱼群算法的最佳寻优特性,弥补粒子群优化算法易陷入局部最优的不足,改善粒子样本的枯竭和退化;在Ada Boost训练框架中扩展了Haar-like特征,以排除相关度较低的Haar-like人脸样本特征;采用融合优化的AdaBoost算法寻找弱分类器权重系数的最优值,组合最佳弱分类器,级联形成最终的强分类器.实验结果表明,该算法能够有效提高检测精确率、降低训练时间,取得了较好的人脸检测效果.

一种基于模糊逻辑的贝叶斯最优学习器

针对变压器故障信息中存在有不完整、不确定及模糊性的知识,提出一种基于模糊逻辑和贝叶斯最优分类器结合的模糊贝叶斯分类器。该方法首先利用观察信息的模糊隶属度函数建立贝叶斯最优分类器中假设的后验概率,进而计算各类故障信息分类的结果并进行加权平均后得到最佳的诊断结果。应用和研究表明该方法能解决贝叶斯分类器中模糊信息获取的“瓶颈”难题,具有很强的学习能力,是一种有效的变压器绝缘故障诊断方法。

一种融合情感规则与机器学习的情感分类方法

针对评论型长文本的情感倾向性问题,提出了一种融合情感规则与机器学习的分类方法.基于情感规则得出评论的情感得分,该方法将文本分解为一组子句,以词汇为基本颗粒进行分数计算,得出最佳位置权重系数.同时,不同类型句式共归纳出4类关联词与之对应.将所得权重系数与关联词得分相结合,总结出情感计算公式.然后将所得情感得分作为特征融合到机器学习分类器的输入矩阵中,构造最优情感分类器.实验所得最优分类器准确率为0.979,高于同类算法.

基于ROC的三元再编码研究

针对三元编码矩阵中基分类器不包含被忽略样本类别先验知识的问题,该文提出一种基于接收机工作特性(ROC)曲线的矩阵再编码方法。首先基于ROC曲线寻找构造拒绝域的阈值对,从而获得最优分类器;然后利用最优分类器对训练样本中被忽略的类别进行分类,将经典的二值输出变为三值输出,从而对初始编码矩阵的码元"0"进行重新编码。在解码阶段,采用经典的汉明距离解码方法对未知样本进行决策。该方法能够避免基分类器的二次训练,适用于任意的三元纠错输出编码,具有良好的普适性和实用性。基于人工和UCI公共数据集的实验结果表明该方法简单高效,在不增加训练时间的基础上,能够提高解码的速度和精度,促进分类效果的提升。

WSN中一种基于单类1／4球体支持向量机的异常检测方案

针对数据非平稳分布而导致的异常检测差错率较高的问题，提出了一种可用单类1／4球体支持向量机模型参数表示的异常率参数动态调整自适应算法。该算法在线迭代运行，依次生成基于训练集的最优模型，最后提出一种可以迭代得到训练集异常率的参数确定算法，可发现数据集中的异常。仿真实验结果表明，与异常率固定的静态模型相比，该算法可以利用训练集生成最优模型，进而实现分类集差错率最小。

基于AHP与SVM的微博机器用户检测方法

以新浪微博中的用户为研究对象,分析并提取机器用户的特征,提出一种新的微博机器用户检测方法。通过层次分析法构建分类指标体系,对各指标特征进行量化评估,利用支持向量机(SVM)算法构建机器用户检测模型。测试SVM中不同核函数对各分类指标的重要性预测,并与量化评估结果进行比对,同时测试不同核函数模型的分类精度,对比两项结果综合选择出最优分类器。实验结果表明,该方法能够对微博中的机器用户进行较为精确的检测。