基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

基于自适应特征选择的科研论文跨学科性测度方法研究

[目的/意义]跨学科研究能够通过知识整合和渗透,创造性地解决自然环境和人类社会中的复杂问题。随着跨学科研究成果的大量增长,跨学科性测度评估变得越来越有必要,如何构建有效的跨学科性测度方法,实现对论文跨学科性综合全面的测度是亟待解决的问题。[方法/过程]本研究首先基于跨学科研究的内涵和特点,从学科属性、知识网络拓扑结构和知识整合文本内容3个维度提取科研论文跨学科性特征指标,并给出特征指标的计算方法;其次,对跨学科性特征指标进行自适应计算,构建一种基于机器学习的跨学科性测度方法;最后,以植物纳米生物技术领域为例进行实证研究,对领域中高跨学科性的论文进行识别和筛选。[结果/结论]本文提出的自适应特征选择能够对跨学科性相关特征指标进行有效筛选,提升结果的可靠性,实现全面、深入的科研论文跨学科性测度。该测度方法避免了定性评估可能会出现的主观性缺陷以及不同测度指标可能出现相互矛盾结果的问题,为跨学科性测度提供新的思路与方向。

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.

一种自适应特征选择的运动目标实时跟踪算法

提出自适应特征选择算法,利用背景信息及目标信息建立特征分类器,并在跟踪过程中不断更新特征分类器;提出采用光流算法对运动区域进行粗预测,然后利用特征分类器及meanshift算法对目标进行跟踪.实验结果表明,该算法可以根据不同的背景信息自适应的选择特征,对于跟踪过程中存在形变、遮挡以及背景出现干扰或光照变化等情况,依然可以对目标进行稳定的实时跟踪.

基于自适应特征选择的夜间运动车辆检测算法

针对夜间交通环境的特点,提出了基于自适应特征选择的夜间运动车辆检测算法.首先,利用SIFT算法提取夜间运动车辆的形状特征,并融合颜色和纹理特征,得到夜间运动车辆的特征向量;其次,利用Boosting算法和遗传算法以迭代形式获取模糊规则及其权值;然后,采用Boosting算法以加权投票方式自适应选取对检测最有利的特征,从而实现自适应特征选择;最后,对夜间交通场景下3种不同道路情况进行实验.实验结果表明,在遮挡、光照及背景干扰等复杂情况下,该方法可以根据背景信息的不同自适应地选择特征,实现夜间车辆的实时检测,鲁棒性较好,可以满足智能交通系统的实时性和准确性的要求.

RGBD人体行为识别中的自适应特征选择方法

目前在RGBD视频的行为识别中,为了提高识别准确率,许多方法采用多特征融合的方式。通过实验分析发现,行为在特定特征上的分类效果好,但是多特征融合并不能体现个别特征的分类优势,同时融合后的特征维度很高,时空开销大。为了解决这个问题,提出了RGBD人体行为识别中的自适应特征选择方法,通过随机森林和信息熵分析人体关节点判别力,以高判别力的人体关节点的数量作为特征选择的标准。通过该数量阈值的筛选,选择关节点特征或者关节点相对位置作为行为识别特征。实验结果表明,该方法相比于特征融合的算法,行为识别的准确率有了较大提高,超过了大部分算法的识别结果。

结合自适应特征选择和蕨类分类器的相关滤波跟踪算法

为解决基于核相关滤波架构的跟踪算法所采用的线性插值模型更新策略无法应对目标外观突变的问题,提出一种结合自适应特征选择和蕨类分类器的目标跟踪算法(DRDCF)。首先对提取的多层目标特征层进行主成分分析降维以抽取有用的特征层;其次,采用每帧均对模板固定更新的进取型滤波器结合满足门限条件才进行更新的保守型滤波器定位目标,将进取型滤波器用于预测目标的下一帧位置,将保守型滤波器用于计算进取型滤波器以及检测器产生的预测位置的可靠性;当进取型滤波器预测位置不可靠时,检测器产生预测位置,最后通过对比两者预测位置的可靠性择优确定目标最佳预测位置。实验结果表明,DRDCF算法可以有效解决目标突变所造成的模型污染以及跟踪失败问题,在OTB2015数据集上精度及覆盖率两项指标相较于结合通道和空间约束的相关滤波算法分别提升了2.78%和4.26%,达到前沿算法的效果。

自适应特征选择的煤矿突水预测模型研究

针对煤矿突水影响因素复杂难以预测的问题,通过理论分析,构建影响煤矿突水因素的指标体系,并针对收集的相关数据,提出基于遗传算法的自适应预测模型的特征选择算法。实验结果表明:相比于稳定性特征选择算法和递归特征消除算法,自适应特征选择算法可以更好地提高模型预测准确率,适应性更强。

基于自适应特征选择的多通道相关滤波跟踪

本文提出了一种基于自适应特征选择的多通道相关滤波跟踪算法。该算法引入多通道在线特征选择策略,使跟踪器能在区分性更强的低维子空间上学习相关滤波器。同时,采用卡尔曼滤波器对跟踪结果进行迭代估计,解决目标做机动时跟踪瞬时漂移的问题。为验证算法性能,将提出的算法在数据集OTB100上,与基准算法和当前顶尖性能的相关滤波算法进行对比。实验结果表明,提出的算法在目标机动、遮挡以及背景变化时能稳定准确地跟踪目标。

轻量化自适应特征选择目标检测网络

在小目标物体检测、多类别物体检测尤其是轻量化检测模型等关键技术研究方面仍面临较大的挑战,基于此,本文提出一种轻量化自适应特征选择目标检测网络.该网络以特征金字塔为基础,提取多尺度图像特征并从空间维度上对特征图进行滤波,从通道维度上自适应地选择特征图中更重要的通道,降低多通道下噪声和干扰对目标特征的稀释作用,减少特征图在传递过程中的信息丢失.除此之外,构建深度可分离卷积的分类网络,降低后续处理的计算量,加快检测速度,实现网络的轻量化处理.在PASCAL VOC 2007数据集上的检测平均精度为77.7%,检测速度为14.3帧/s.在MS COCO数据集上的测试结果表明,该网络在精度损失小于5%的情况下,检测速度远超FPN,比Mask R-CNN可以更好地兼顾检测速度和检测精度.

基于自适应特征选择的多尺度相关滤波跟踪

近年来,基于相关滤波的目标跟踪算法因其具有很好的跟踪精度和明显的速度优势,引起了研究人员的极大关注。提出一种基于自适应特征选择的多尺度相关滤波跟踪算法。首先,提取三种互补特征,通过相关滤波响应图评估各特征的跟踪性能,自适应选择最优特征进行位置跟踪;其次,预设响应图阈值作为位置相关滤波模型更新的判断条件,优化模型更新方式;最后,引入尺度相关滤波跟踪器,进一步提高了算法的尺度适应性和跟踪精度。实验部分将该算法和近年来流行的相关滤波及非相关滤波类跟踪算法进行了对比,结果表明,该算法在精度上优于其他算法,同时具有53.12frame/s的实时跟踪速度。

一种机载LiDAR点云分类的自适应特征选择方法

不同地形条件下,不同的特征组合、特征维数对点云的分类效率及分类结果有不同的影响。提出了一种机载LiDAR点云分类的自适应特征选择方法,该方法依据地形起伏情况对整体点云数据进行区域划分,自适应选择适宜该区域LiDAR点云分类的特征集合。为了验证这种特征选择方法的有效性,利用优选后的特征集合,分别采用随机森林和支持向量机算法进行分类实验验证,实验结果表明,在不同地形条件的区域里,适合LiDAR点云分类的特征集合不同。该方法可以有效地降低特征维数,缩短运算时间,且分类精度较高。

基于自适应压缩特征选择的实时目标跟踪算法

针对压缩感知算法中的低维特征对目标重构效果较差的问题,提出基于自适应压缩特征选择的目标跟踪算法.该算法首先提取满足目标重构要求的高维压缩特征,再通过所提出的特征选择方法选择区分度高的低维特征作为目标的外观模型,从而降低计算复杂度.为自适应选择特征,采用一种差分方法控制特征维数,满足实时性要求.实验表明,与其他算法相比,文中算法具有更强的鲁棒性和实时性.

基于自适应显著特征选择的动态加权平均行人识别模型

在跨场景行人识别过程中,为了解决多种特征以一个固定的权重融合导致行人识别率低、识别速度慢的问题,提出基于自适应特征选择的动态加权平均排名行人识别方法。首先,将GrabCut算法和基于流形排序显著性检测算法相融合,提高行人外观特征提取的准确性;然后,提出自适应显著特征选择方法,有效地提取行人特征描述;最后,通过动态加权平均排名模型将多特征融合。实验表明,所提出的方法提高了行人识别的准确性,同时对姿态的变化具有较好的鲁棒性。

用于水声目标识别的自适应免疫特征选择算法

针对水声目标小样本识别中样本数目有限而特征数目不断增加,导致分类系统分类性能下降的问题,提出了一种新的自适应免疫特征选择算法(AIFSA).该算法先利用先验知识生成初始种群,接着利用交叉、变异和新的自适应免疫算子指导种群进化,每代中对分类贡献大且选择特征数目少的个体适应度值高.AIFSA具有可以利用先验知识、收敛速度快以及优化特征子集维数小的优点.提取了实测4类水声目标的多域特征,进行特征选择和分类识别仿真实验,结果表明:AIFSA可以选择有效特征子集,在特征维数下降60%的情况下,支持向量机分类器的平均正确分类率下降很小;AIFSA与标准遗传算法相比,收敛快、稳定,所得优化特征子集具有更高的正确分类率和更好的范化性能.

一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,本文提出了一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法.该方法首先把每幅人脸图像经过Gabor小波变换后得到的40个不同尺度和方向下的图像都看作是独立的样本,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个独立地新特征矩阵.为了增强对光照、表情变化的鲁棒性,每一新特征矩阵的识别贡献被本文所提出的自适应权重方法计算得到.其次,对每一新特征矩阵采用离散余弦变化进行降维,并采用了鉴别力量分析方法来选取最有鉴别力的离散余弦变换系数作为特征向量.最后,抽取线性鉴别分析特征进行识别.大量的实验证明了本文所提方法的有效性.

基于特征自适应选择的金字塔均值漂移跟踪方法

针对均值漂移跟踪算法框架不足以对目标帧间运动过大及快速尺度变化进行有效地处理,且单个图像特征对环境适应性较差.提出了一种特征自适应选择方法,通过分析目标与背景的特征区分度来选择出最有效的特征.将金字塔自适应分解和均值漂移跟踪结合,提出了金字塔均值漂移跟踪方法.采用背景加权直方图描述目标模板模型,核函数加权直方图描述候选目标模型,由粗到精定位目标,并给出了目标尺度自适应更新方法.多个视频序列的实验结果表明:本文方法能够有效处理目标快速运动、尺度变化、摄像机运动、局部遮挡等情况,实现复杂场景下的目标跟踪.

一种多特征选择的自适应跟踪

提出利用混合Boosting算法根据目标信息和背景信息选择特征,建立特征排序分类器,并在跟踪的过程中不断自适应更新。采用卡尔曼滤波对目标区域进行粗预测,然后利用排序分类器结合mean-shift算法完成目标的精确跟踪。实验结果表明,该算法可以根据不同的目标和背景信息,自适应地进行特征选择,对于场景中存在光照、干扰、遮挡等情况,依然可以对目标进行实时有效的跟踪。

基于自适应特征选取的步态识别

提出基于自适应特征选取的步态识别方法。采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心的距离和夹角对步态特征进行描述。采用Boosting算法自适应选取最优特征序列,对识别结果进行加权处理。该方法结合了步态的动态和静态信息,实验结果表明该方法具有较高的识别性能。

基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。