基于最大惩罚似然的高斯混合模型无监督分类研究

本文提出了一个基于高斯混合模型的无监督分类算法.考虑到利用EM算法求解高斯混合模型的参数参数估计问题容易陷入局部最优解,我们引入逆Wishart分布来代替传统的Jeffery先验.几个实验数据的结果表明,采用该方法估计无监督分类的成分数,无论是估计的正确率,还是运算速度,都有较大提高.

基于混合分类算法模型的DNS隧道检测

分析了目前DNS隧道检测各种方法,重点研究基于机器学习技术的DNS隧道分类方法,针对目前DNS隧道检测只局限于特定隧道类别进行判别的不足,提出了采用多种分类算法进行组合分类决策的混合分类算法模型(CCAM)对DNS隧道进行检测与分类,CCAM算法采用了支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)等3种机器学习分类算法进行混合分类、组合训练与加权求优。结果表明,混合分类算法模型(CCAM)对DNS隧道的检测能达到90%精度值。

基于SPSRs准则下的分类混合模型预测方法研究

分类混合模型预测(CMMP)方法是近年来小区域估计领域中提出的一种新方法,该方法是在待预测效应识别后的基础上形成的方法,较传统的混合效应预测方法有更高的预测精度,得到许多统计学者的关注。最早的分类混合模型预测方法是基于均方预测误差(MSPE)准则进行分类识别构造最佳预测。MSPE准则虽然是一个具有较好数学性质(对称性和平滑性)的不确定性度量准则,但是其不是一个严格适当的评分准则(SPSRs)。因此,提出了基于SPSRs准则(即对数评分)进行分类识别,构造最佳预测的方法。首先,在最佳预测的基础上构造了SPSRs分类器,并进行识别预测;其次分析了该预测的渐近性质,并通过数值模拟证明了该方法较经典的回归预测方法具有更高的准确度;最后,给出实例进一步论证了我们的理论结果。

基于逻辑回归树耦合熵指数模型的滑坡易发性分区——以陕西省延安市吴起县滑坡为例

研究合适的县域滑坡易发性分区的方法,对于滑坡的防治有着非常重要的现实意义。鉴于此,基于陕西省延安市吴起县的717个滑坡样本,选取坡度、坡向、高程、平面曲率、剖面曲率、年平均降雨量、距道路的距离、距河流的距离、岩土体类型和NDVI作为影响因子,计算对应的熵指数,构建了基于熵指数的建模数据集。随后,基于建模数据集,耦合熵指数(IOE)和逻辑回归树模型(LMT),建立了IOE-LMT混合分类模型,并绘制了吴起县滑坡易发性分区图。利用多种统计学指标、ROC曲线下的面积(AUROC)和平均绝对误差(MAE)评价分区精度和模型的泛化性能。结果表明:IOE-LMT模型的泛化性能较强(AUROC=0.942),且滑坡易发性分区图的精度较高;研究区内滑坡易发于黄土沟道范围内,并且研究区北部的滑坡易发性明显高于南部。评价结果合理可靠,可为当地的滑坡防治和国土空间规划提供参考。

基于分类混合效应模型预测方法和卫星遥感数据的农作物面积估算

随着2020年新冠肺炎疫情在全球肆虐,国际环境动荡加剧引发了大众对于粮食储备问题的担忧,而及时估算种植面积对于有效应对可能的突发事件具有重要战略意义。考虑到粮食种植具有范围广、区域差异大的特点,因而进行面积估算时,混合效应模型是非常合适的选择,但现有文献多局限于解决有抽样单元的剩余区域的外推估算问题,对零样本量的域估计问题则鲜有涉及。值得注意的是,在进行农业抽样工作时,抽样数量的设计多服务于国家或省级层面,对于人口数量较少或经济程度不发达的地区,则容易出现没有样本被抽中的情况。往往这类地区是以农业为主要产业,因此忽视该类地区的农作物面积将会对我国实现农业精准监测产生显著影响。有鉴于此,本文提出使用改良后的分类混合效应模型预测方法(Modified Classified Mixed Model Prediction,MCMMP),其原理可概述如下:首先通过协变量信息对抽样单元进行聚类,然后使用混合效应模型预测所有类的随机效应,最后利用待估单元所处类的随机效应对待估单元面积进行估算。为展示MCMMP的应用潜力,本文基于山东省济宁市兖州区下属12个镇的卫星图像已经部分测绘数据,并结合“留一法”对小麦种植面积进行了估算。结果显示与现有方法相比,MCMMP具有更小的相对误差,且当感兴趣的变量为小域均值时,如村或镇范围的平均土地面积时,MCMMP依旧表现最优。

基于分类高斯混合模型和神经网络融合的与文本无关的说话人识别

本文提出了一种基于分类高斯混合模型和神经网络融合的说话人识别系统,根据能量阈值将每个话者语音的语音帧分为两类,在分类子空间分别为每个话者建立两个分类话者模型(GMM),并为每个话者建立一个用于对这两类模型进行数据融合的神经网络,话者识别的结果是经对各个话者神经网络的输出进行判决后做出的.在100个男性话者的与文本无关的说话人识别实验中,基于分类话者模型的策略在识别性能和噪声鲁棒性上均优于传统的GMM话者识别系统,而采用神经网络进行后端融合的策略又优于直接融合的策略,从而可以用较低的话者模型混合度和较短的测试语音获得较好的识别性能及噪声鲁棒性.

基于人工智能的脱机手写数字识别研究综述

脱机手写数字识别技术是在光学字符识别技术的基础上,采用计算机等处理器自动对手写阿拉伯数字进行识别的一种技术。文中对国内外研究工作进行全面分析,首先介绍了基于人工智能技术的脱机手写数字识别历经的3个重要阶段:第一阶段是利用以支持向量机(SVM)为代表的传统分类器进行识别;第二阶段建立了卷积神经网络(CNN)为代表的神经网络模型;第三阶段设立了卷积神经网络和支持向量机相结合(CNN+SVM)为代表的混合分类模型。然后总结了人工智能技术在这3个阶段的优缺点,最后阐述了人工智能技术应用于脱机手写数字识别的问题和未来的发展方向。

基于CGMM-UBM的电话短语音说话人确认

针对手机、电话的短语音文本无关说话人确认,本文设计了一种基于分类GMM-UBM(CGMM-UBM)的说话人确认系统。用k-means算法将训练背景模型的语音参数集分类成若干个子空间,并据此进行目标说话人语音数据的子空间分类,再采用GMM-UBM结构为每个子空间分别建立一个子系统,以各个子系统输出评分的线性加权作为系统的输出评分。分类后的模型可以采用较低的混合度,线性加权增强了贡献较大子空间对确认性能的作用。在NIST’03语音库上100个男性话者的实验表明,短语音条件下,分类系统的性能比不分类系统有显著的改进,运算效率较后者也提高很多。