基于机器学习的A图像特征向量相似性度量系统与方法研究

本研究源于横向项目——基于深度学习下A相似性度量系统研究与开发。论文通过文献研究、调查访谈、试验总结等方法展开,重点分析了A物体特征向量库的提取与构建方法,并基于客户的需求,构建了新型的度量算法。希望通过本研究对商品特征与客户需求特征的匹配性算法度量贡献理论,完善与健全相似性度量体系,推动匹配性算法度量的发展。

基于Foldingnet的一种零部件匹配方法

本研究介绍了一种在焊装装备智能设计过程中的零部件匹配方法。该方法利用深度学习AI技术,改进了Foldingnet网络框架,对零部件特征信息进行高速提取和模型训练,构建了一个零部件特征历史向量库。该方法将零部件的点云信息转化为算法模型进行训练,对零部件特征进行捕捉和学习。在匹配过程中,计算待匹配零部件的特征向量与历史零部件特征向量的相似度,选取相似度高于90%的结果作为推荐。试验结果证明,该方法有效地解决了现有技术中零部件搜索准确率低、时间长的问题,提升了设计效率,缩短了开发周期。

基于特征提取的SVM图像分类技术的无人机遥感建筑物震害识别应用研究

在现有的建筑物震害信息获取途径中,相比传统的现场调查法,无人机遥感系统具有机动灵活、快速高效等优点,目前已成为一种重要的震害信息获取手段。而在遥感图像中识别建筑物震害时,常用的人工目视解译及现有的计算机自动识别方法存在效率低下、精度不足等缺陷。结合机器学习最新进展,将基于特征提取的SVM图像分类技术应用到无人机遥感建筑物震害识别中,通过尺度不变特征转换(SIFT)提取图像特征后,再采用视觉词袋构建建筑物震害无人机遥感图像特征向量标签库,作为SVM进行图像分类的基础。并以2021年9月16日发生的四川泸县6.0级地震为例,对方法的可行性加以验证。结果表明:该方法可快速准确地从无人机遥感图像中识别出建筑物震害情况。

基于特征选择优化算法的非线性SVM木马检测模型

为解决当前木马检测系统中存在的检测率低、无法检测未知木马等问题,提出一种基于特征选择优化MI算法的非线性SVM木马检测模型。本方法提取每一个可执行程序的API调用序列作为特征向量,通过特征选择算法选中区分度大的部分特征并将其量化成SVM可识别的数据,构建SVM特征向量库,利用样本数据对非线性SVM分类器进行训练学习,获得最优分类超平面。实验结果表明,该模型针对木马程序有高效且稳定的检测能力。