基于特征选择的最少核分类器研究

针对支持向量机在特征选择方面具有自动选择的功能,提出了一种改进的最少核分类器。在样本测试中使用更少的特征维数,减少识别过程计算量。数值试验表明,改进过的分类器能有效压缩无用的特征属性,具有较强的泛化能力。

一种新的面向迁移学习的L_2核分类器

基于密度差(Difference Of Density,DOD)思想,L2核分类器算法具有良好的分类性能及稀疏性,然而其训练域与测试域独立同分布的假设限制了其应用范围。针对此不足,该文提出一种新的面向迁移学习的L2核分类器(Transfer Learning-L2 Kernel Classification,TL-L2KC),该方法既保持了L2核分类器算法良好的分类性能,又能处理数据集缓慢变化及训练集在特定约束条件下获得导致训练集和未来测试集分布不一致的问题。基于人造数据集和UCI真实数据集的实验表明,该文提出的TL-L2KC算法较之于经典的迁移学习分类方法,具有相当的、甚至更好的性能。

改进核最近特征分类器与雷达目标识别

为了解决核最近特征线与特征平面分类器在计算大数据样本量与高维数时工作量较大的问题,根据局部最近邻准则,提出针对这2种分类器的改进策略,使其不仅能够降低失效的可能性,而且在保证相近识别率的条件下,提高算法的实时性能,利用3类不同飞机实测距离像回波数据对其进行测试,实验结果表明,该改进策略是有效可行的。

基于时变特征和核非线性分类器的飞机目标识别

基于雷达目标距离像,研究时变特征提取和核分类器在雷达目标识别中的应用。由于距离像敏感于目标姿态角的变化,单纯的时域或频域方法难以完整刻画目标的散射特性,因此文中采用时频分析方法,首先提取出距离像时频分布的特征参量,再利用主元分析法降低维数,最后采用基于核的非线性分类器进行目标识别。仿真数据和实测数据表明,该方法具有较好的识别效果。

基于基因表达式编程的核k近邻分类算法

核k近邻分类算法在生物信息学和蛋白质结构预测等领域中的应用受到人们极大的关注。核函数在核k近邻分类算法的分类性能中起着重要的作用,如果核函数及其参数选择得当,则将获得较高的分类准确率。为了自动产生合适的核函数,提高分类的准确率,提出了一种基于基因表达式编程的核k近邻分类算法GEPKNN。该算法的基本思想是用基因表达式编程搜索与训练数据相关的核函数及其参数,在进化过程中用k折交叉验证评估个体的适应度。该算法克服了核k近邻算法的主观性和不确定性,能自动产生合适的核函数并提高分类的准确率。

基于深度网络特征提取与核非线性分类的视频行为识别

行为识别是视频分析的重要任务。本文利用稀疏自动编码机和卷积神经网络这两种典型的深度网络从视频运动历史图像中提取行为特征,利用最优泛化核非线性分类器对特征进行分类,实现行为识别。实验结果表明,与常用的特征提取和分类算法相比,所探讨算法正确识别率更高;而最优泛化核非线性分类器比常用的分类器能更好地兼顾识别效果和效率。

基于高阶相关的稀疏化和径向基核分类法

非平稳信号处理理论中高阶统计量方法被广泛应用于模式识别以提取稳健特征,但算法本身需要解决计算量大的问题,加上训练样本具有冗余性,因而限制了模式特征提取和分类速度。该文将计算高阶统计量转化为求相关系数,研究高阶相关在样本稀疏化以及基于径向基核的非线性分类方面的应用。首先采用最大匹配系数法确定相关阶数,然后对训练样本稀疏化,最后将高阶相关应用于SVM、KNR两种核非线性分类器进行分类识别,避免了高阶统计量的直接计算,减少了训练和分类时间。对手写数字和8种飞机的仿真数据进行实验,结果表明该方法具有较好的稀疏效果和识别效果。

核K近邻分类算法在基因表达式编程中的应用

本文提出了一种新的核k 近邻分类算法（GEPKNN）.主要内容是在基因表达式编程中,依靠GEP 搜索复杂表达式空间方面的优势,为核KNN 自动构造与数据相关的核函数,以减小人工选择核函数的主观性,达到提升核KNN 分类性能的目的.该算法优于传统核KNN 算法,结构简单,分类速度快并且在高维空间上仍然保持较好的分类性能.

径向基函数神经网络的分类机理

本文研究了径向基函数网络（ＲＢＦＮ）的分类机理问题。在Ｒｕｃｋ工作的基础上，通过与传统的基于Ｐａｒｚｅｎ窗估计核分类器做类比，本文从模式分类机理入手，分析了ＲＢＦＮ使用正、负两类训练样本来估计判别函数的特点，指出它优于核分类器，并讨论了相应情况下ＲＢＦＮ输出层连接权、模式分类判决域的特点。最后用多类模式分类的结果对上述理论进行了验证。

基于SVM的脑功能分类与识别方法研究

目的探讨SVM分类器用于脑功能识别的可行性、有效性与优越性,为脑电信号处理及功能识别提供一种新的途径和参考。方法对400组实测的正常人在睁眼和闭眼两种状态下的脑电信号,选取四种核函数分别构造四种SVM分类器对上述两种状态下的脑功能进行分类识别,从不同角度深入分析和比较讨论了由四种核函数构造的SVM分类器性能,并提出了脑电信号特征参数从低维到高维的组合变换新方法。结果由RBF核函数构造的SVM分类器最为适合脑功能的分类识别,正识率最高可达96%。结论支持向量机的方法用于脑电信号处理及功能模式识别是可行的、有效的、并初步表现出了优越的性能。

基于可区分性加权的模糊核说话人识别

针对训练和识别语音数据较少的情况,本文提出了一种新的说话人识别算法.通过核映射,在高维特征空间对说话人的语音特征进行模糊矢量量化.为了增加说话人之间的可区分性,提出了一种基于高维特征空间的码字矢量的权值分配方法,对具有较强区分性的码字矢量分配较大的权值,并将产生的权值和说话人的码书一起形成说话人数据库.识别时,提出一种模糊核加权最近邻近分类器,在高维特征空间中对说话人进行匹配.实验表明,该算法在训练语音少于8s,识别语音为1s时,能够得到较好的识别结果.

最优的核判别分析用于雷达目标识别

特征提取是雷达目标识别研究中的重要问题,有效、稳健的特征是提高识别率的关键。核判别分析(KDA)是一种抽取非线性特征的有效方法,但它会因为奇异性问题而难以求解。基于子空间投影的思想,给出一种最优的核判别分析(OKDA)方法,用于对雷达目标的距离像进行特征提取,然后采用基于核的非线性分类器对所提取的特征进行分类,实现对雷达目标的识别。分别对仿真和实测距离像进行实验,结果表明该方法具有较好的识别效果。

基于核方法的雷达目标一维距离像识别

由于雷达目标及其所处环境的复杂性,导致不同目标之间的关系往往是非线性的.研究基于核的非线性方法,并将其应用于雷达目标一维距离像识别.核Fisher判别分析(KFDA)是一种抽取非线性特征的最有效方法之一,但它往往会面临小样本问题.针对此问题,给出一种null-KFDA方法,对距离像进行特征提取.然后,采用一种新的核非线性分类器——KNR(kernel-based nonlinear representor),对所提取的特征进行分类.对3种飞机的实测距离像进行实验,结果验证了null-KFDA的有效性.此外,与非线性支持向量机(SVM)和径向基函数神经网络(RBFNN)相比,KNR分类器具有更优的识别性能.

基于排序集成的软件并发缺陷动态预测算法

并发程序由于其随机性高的特点,容易导致并发缺陷。当并发缺陷出现时,会引起软件数据竞争,难以对软件完成调试。提出基于排序集成的软件并发缺陷动态预测算法。提取并发缺陷特征,通过层次聚类法构建特征簇。将互信息作为特征相关性的衡量标准,经过特征聚类,建立目标特征子集,设定合理阈值选出最具代表性的特征集。将敏感分析和属性权重相结合,确定代表特征的敏感权重,提高预测敏感性。使用多核分类器算法,采集软件运行数据初始样本,将样本分割为缺陷和非缺陷部分。经过boosting的反复训练,减小分类器误差。以boosting训练结果作为预测依据,判断样本是否存在并发缺陷,实现软件并发缺陷的动态预测。仿真结果表明,所提方法的预测结果和实际情况相符,且预测速率不受软件样本数据量多少影响。

基于正则化核最大边界投影维数约简的滚动轴承故障诊断

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。

基于熵驱动域适应学习的弱光照图像阴影去除

针对日常图像获取与处理过程中由于拍摄光线较差等问题,导致图像出现部分阴影,影响图像处理效果等问题,提出基于熵驱动域适应学习的弱光照图像阴影去除方法。通过熵驱动域适应学习技术构建多核分类器,获取弱光照图像的最大平均差异值,完成弱光照图像的预处理。将图像光照分解设定为图像分解与重光照,获取图像最小像素值,根据图像亮度以及RGB方向相似度建立局部像素的约束,完成弱光照图像的分解;采用区域生长法,以检测到的弱光照图像阴影边缘作为基准点,选择灰度值较重部分作为阴影生长起始点,确定弱光照图像的纹理特征值,利用光照补偿方法恢复图像光照,完成弱光照图像阴影去除。仿真结果表明,采用所提方法对弱光照图像阴影去除的效果较好,改善了弱光照图像的质量。

最大间隔对数向量机

通过ISE准则逼近真实密度差的L2-核分类器没有显式地考虑到分类间隔,在一定程度上不利于提高分类器精度;同时,权向量的求解最终转化为一个二次规划问题,导致L2-核分类器训练速度较慢,特别是对于较大样本.基于这两个问题,利用样本间的密度差构造了分类间隔并最大化此间隔,而此问题最终转化为一个对数优化问题,故称其为最大间隔对数向量机(maximum margin logistic vector machine,简称MMLVM),进而利用梯度下降法求解最优权.同时,分别从权的全局最优性、一般化误差界及算法复杂度这3方面进行了理论分析.最后,人工和UCI,PIE及USPS数据集的实验结果表明,算法理论正确,解决了上述两个问题并获得了较好的效果.

球向量机的快速在线学习

在大数据分析处理中,有效学习样本逐渐增加,据此如何高效渐进地学习分类器是一个非常有价值的问题.相比于支撑向量机和核向量机,球向量机自身在批量样本学习中具有速度快、准确率高的特点,但该方法不适合快速的在线学习.针对该问题提出了在线球向量机.首先将二分类问题转为两个单分类问题,利用球向量机(ball vector machine,BVM)对超球球心的更新算法对每一个训练向量仅迭代一次,求得两个高维超球的球心,随后直接利用两个高维超球球心的垂直平分面进行分类.理论分析证明了新方法的有效性,与现有在线增量学习方法的实验比较结果表明,在线球向量机(online ball vector machine,OBVM)在时间计算复杂度和综合性能方面有显著优势.

基于分数本征特征的手写数字识别

特征提取是手写体数字识别研究中的重要问题,有效、稳定的特征是提高识别率和识别精度的关键。该文提出了一种基于分数本征特征和核非线性分类器的手写数字识别方法,首先找到时频平面的一个轴进行分数傅里叶变换,使不同类别样本在这个轴上最大限度地分开,然后用主元分析进行降维,得到比较稳健的低维特征,再将常用分类器用于特征分类,实现对手写数字的识别。对实际数据进行实验,结果表明上述本征特征与核非线性分类器相结合有较高的识别率和训练、分类效率。

多源检测数据融合的变压器故障诊断模型

针对变压器的红外热像、油气数据等多源状态检测数据不平衡(即数据缺失、数据不对称、数据较少)导致支持向量机学习模型欠拟合、准确率低下,以及传统三比值法阈值绝对导致了其在故障现象叠加时不能全面诊断出故障真实状况的不足,提出了多源检测数据融合的变压器故障诊断模型。该模型首先采取了高斯核和Sigmoid核组合,以及多分类器的方式对SVM进行改进,即利用改进组合核多分类器SVM对变压器油气数据进行诊断,达到解决故障现象叠加的问题,进而得出油气诊断结果;然后利用改进故障树模型对红外检测图像进行分析,即通过分析变压器的关键部件的温度值进行诊断,得出温度诊断结果;最后,通过贝叶斯决策融合诊断模型对油气诊断结果和温度诊断结果进行决策级融合,得出最终的故障诊断结果。实验结果表明,所设计方法诊断准确率比SVM、三比值法以及SVM最新改进方法 PSO-SVM分别提高了9.2%,6.3%,6.5%。