基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据,降维后的高光谱图像分类精度有较大幅度的提高.

基于ELDA降维与MPA-SVM的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断精度,提出一种基于偏心线性判别分析(Eccentric Linear Discriminant Analysis,ELDA)降维算法与经海洋捕食者算法(Marine Predators Algorithm,MPA)优化的支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障诊断方法。首先对轴承信号应用时域和频域分析方法构建高维特征集,其次应用自适应最大似然估计方法(Adaptive Maximum Likelihood Estimation,AMLE)进行固有维度估计,利用ELDA算法进行二次特征提取,充分挖掘敏感特征,降低冗余特征对故障诊断的影响;最后将低维敏感可分矩阵输入到MPA-SVM分类器中识别故障类型。实验分析表明,所提方法能有效缩短训练时长并提高诊断准确率。

基于半监督算法的高光谱影像特征提取仿真

高光谱影像包括待测物的空间、光谱和辐射三重信息,且图像信息具有维度高、空间相关性弱、特征非线性强的特点,导致其空间特征序列混乱,特征提取难度大。于是提出基于半监督算法的高光谱影像特征提取方法。应用半监督算法对高光谱图像中的高维数据降维处理,并基于降维结果完成高光谱图像的去模糊。高光谱图像完成降维去模糊后,根据特征学习模型学习高光谱影像数据,获取图像深层特征。在像元空间内对深度特征以及空间信息完成空、谱的联合,实现高光谱影像特征的提取。实验结果表明,所提方法应用下影像特征点在特征空间内聚类效果好,查全率和查准率均能达到95%以上,说明上述方法的应用性能更优。

基于粒子群优化核独立分量的特征降维算法及其应用研究

大型复杂装备的工作过程均表现出较强的非线性,并且受非高斯噪声和各种不确定因素的影响,导致状态监测信息多是高维的非线性、非高斯数据,且计算量随信息维数呈指数增长,若直接用于预测模型则导致计算量异常庞大,不利于完成模型参数估计和实现实时维修。针对上述问题,对核独立分量分析算法中关于核函数参数选择的盲目性,提出了用粒子群优化算法改进核参数选择过程的核独立分量分析算法,实现了高维状态信息的降维。最后,通过对某自行火炮发动机油液监测数据进行特征降维实例分析,验证了所提方法的可行性与有效性。

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。

基于FPCA和ReliefF算法的图像特征降维

针对传统图像特征降维方法计算量大、无法去除冗余信息、未考虑相关性等缺陷,提出一种结合快速主成分分析(FPCA)和ReliefF算法的图像特征降维方法.该方法先利用FPCA算法对样本数据进行初次降维,去除样本中的冗余信息;再利用ReliefF算法计算样本特征的分类权重,根据权重对特征进行组合优化.在算法实现过程中,采用递归排除策略,进一步提升了算法特征寻优能力.仿真实验表明,利用本文算法优选出的图像特征,可较好地提高聚类结果,适合实际工程的应用.

基于随机Fourier有监督特征变换降维算法的人脸检测方法

针对传统人脸检测方法采用空间向量对复杂环境下的高维度人脸特征进行辨识时,存在检测效率低、检测精度差的问题,提出一种基于随机Fourier有监督特征变换降维算法的人脸检测方法.首先,通过随机Fourier映射随机形成大规模多维候选集合,采用特征选择算法获取特征集内的最佳子集;其次,基于l_(2,1)范数的极限学习机,产生高斯核拟合效果的随机映射,利用l_(2,1)正规则化过滤掉人脸随机特征中的无价值及冗余特征,并对该过程进行优化,提高人脸特征降维的精度;最后,采用基于降维特征与Adaboost算法的人脸检测方法获取的降维特征,通过Boosted级联算法获取级联分类器,实现人脸特征的准确检测.实验结果表明,该方法的漏检率和误检率均为8%,平均检测时间为118ms,运行效率和检测精度均较高.

基于小样本分类的光谱图像关联特征降维挖掘

光谱图像包含较多的空间样本信息,混合像元问题严重,同物异谱间影响明显,相邻波段的强相关性也导致图像高维特征易出现冗余,直接影响图像关联特征挖掘效果。为此,提出基于小样本分类的光谱图像关联特征挖掘方法。采用蒙特卡罗算法对光谱图像降维,并结合稀疏与低秩矩阵分解方法完成光谱图像去噪;基于此,建立光谱图像灰度共生矩阵,提取光谱图像角二阶矩、相关性、对比度、熵、相异性以及逆差矩光谱关联特征;通过支持向量机对获取的关联特征完成光谱图像的小样本分类,完成光谱图像的关联特征挖掘。实验结果表明,研究方法的光谱图像特征挖掘错误率低于2%,同类特征可显著聚类成团,且图像去噪效果明显。

一种基于空间金字塔特征的图像分类降维算法

有效去除图像特征中的冗余是图像分类研究领域的一个重要内容。在SPM(Spatial Pyramid Matching)图像分类算法的基础上,结合主成分分析方法(Principal Component Analysis,PCA),提出了一种新的PcSPM算法。该方法能在多种尺度上提取图像金字塔直方图主成分,可减少特征冗余,并将其应用于图像分类。实验表明,该方法能够有效去除图像特征中的冗余,提高了图像分类的精度。

基于GA-ANN融合算法的棉田杂草特征降维及分类识别

准确识别杂草是智能化除草技术所要解决的关键问题,为了实现棉花田间杂草的特征降维及分类识别,提出了遗传算法(GA)融合人工神经网络(ANN)的算法。试验中共采集棉花和杂草样本195个,提取棉花和杂草的形状特征、4个方向灰度共生矩阵纹理特征、HSV空间颜色特征等21个参数。将21个特征参数按照一定顺序组成码串作为遗传个体,融合神经网络模式识别算法,以实现特征参数的有效降维。对利用降维后的优良特征参数组合、全部特征参数以及主成分分析方法(PCA)降维识别的准确率进行了对比,结果表明:利用融合算法降维得到的不同特征组合,可将特征参数维数保持在8~13维,有效降低了特征参数空间的复杂度;融合算法平均分类准确率稳定在98%左右,明显优于PCA分析法。对降维后的优良特征参数组合进行自组织特征映射网络训练(SOM),可视化拓扑结构图表明,降维后的优良特征组合对各个类别的影响呈现出独立性、可区分性的显著特点,宽长比、H三阶矩特征与棉花样本的分类准确率呈强相关性,H一阶矩、S三阶矩对苘麻、龙葵草、灰菜、田旋花样本的分类影响显著,而对棉花样本的分类准确率影响较弱。

遗传和差分演化算法的特征选择在高光谱图像降维中的应用

高光谱遥感使宽波段遥感中不可探测的物质可以被探测,成为了遥感界的一场新的革命.由于高光谱遥感图像波段多、光谱分辨率高、数据量庞大,给高光谱遥感数据实际应用分析带来极大不便.以特征选择为目的,以协方差矩阵特征值法为评价算法,设计实现了基于遗传算法和差分演化算法的降维过程.通过与传统的序列向前搜索的特征选择进行对比实验,比照搜索结果和算法耗时,验证了演化算法在特征选择的实现过程中具有良好的性能,证明了演化算法在高光谱图像降维中的实用价值.其中差分演化算法搜索结果十分稳定,可以替代完全搜索来寻找最优解.

基于加权FCM聚类算法的特征提取与降维研究

本文所涉及的降维思维是基于聚类过程和数据相似性产生的,界标等距映射算法在FCM-LI算法当中起到了至关重要的作用,在FCM中间结果对特征向量进行重新提取,尽可能减少特征向量维数,简单化处理FCM计算过程。结果表明,FCM-LI算法与传统高维数据直接分类算法相比,前者的优势比较体现在能够快速完成聚类过程。FCM-LI和FCM的差别在维数降到11维时约为3.95%,然而此时需消耗更多的时间来运行。将维数控制在5维时,此时运行时间最短,但不能确保其准确度,也意味着如果以过低的维数运行则将导致原数据出现错误,无法得到准确的分类结果。

结合优化MGFR与二维线性降维的特征提取算法

受限于人脸姿态、光照变化等因素,通过引入多通道Gaborface表征结合基于子空间的二维双向线性降维算法,提出了一种结合优化多通道Gaborface与二维线性降维的特征提取算法。首先,采用多通道Gaborface表征(MGFR)模型对样本集进行预处理,提取不同通道下的人脸Gabor特征表示并优化选取通道融合方式而组合成新特征;再引入样本间类别信息获得改进线性二维双向特征降维算法,从而对获得的人脸表示进行特征降维与提取;最终通过最近邻分类器得到分类结果。试验结果表明,通过在AR、ORL和YALE人脸库进行对比分析,改进算法对人脸姿态等变化具有较强的鲁棒性,且较其他算法表现出了较优的识别性能。

基于特征降维和精确欧式局部敏感哈希的协同过滤推荐算法研究

为了解决传统协同过滤算法在大规模高维稀疏数据中计算复杂度高、耗时长的问题,文章提出了一种基于特征降维和精确欧式局部敏感哈希的协同过滤算法。通过组合主成分分析法与流形学习对数据进行特征降维后,利用构建候选集实现快速检索,最后利用加权融合策略得到预测评分。该算法的均方根误差与协同过滤推荐算法相近,但平均运行时间降低了约90.9%。实验结果表明,该方法在确保推荐结果准确性的前提下,可显著提升运行效率。

遗传算法的粗糙集理论在文本降维上的应用

遗传算法作为一种有效的全局并行优化搜索工具,早被众多应用领域所接受。根据问题提出了相应的适应度函数,针对遗传算法和粗糙集理论两种方法各自的特点,将两种算法适当结合。还把结合后的方法和单一的粗糙集算法在文本分类效果上进行了对比。实验结果表明将遗传算法和粗糙集理论相结合的优化方法来应用到特征提取中,比单一的粗糙集算法,具有更好的降维效果,使得降维后的特征词更有利于文本数据的分类,大大优化了文本分类的效果。

基于Word2Vec词嵌入和高维生物基因选择遗传算法的文本特征选择方法

文本特征是自然语言处理中的关键部分。针对目前文本特征的高维性和稀疏性问题,提出了一种基于Word2Vec词嵌入和高维生物基因选择遗传算法(GARBO)的文本特征选择方法,从而便于后续文本分类任务。首先,优化数据输入形式,使用Word2Vec词嵌入方法将文本转变成类似基因表示的词向量;然后,将高维词向量模拟基因表达方式进行迭代进化;最后,使用随机森林分类器对特征选择后的文本进行分类。使用中文评论数据集对所提出的方法进行实验,实验结果表明了优化后的GARBO特征选择方法在文本特征选择上的有效性,该方法成功地将300维特征降低为50维更有价值的特征,分类准确率达到88%,与其他过滤式文本特征选择方法相比,能够有效地降低文本特征维度,提高文本分类效果。

纵向数据分位回归模型的降维算法模拟研究

文章对含多重随机效应的纵向数据模型提出了两种新的惩罚分位回归法,通过对分位回归系数分别施加Lasso和自适应Lasso惩罚,两种方法能够对模型中的自变量进行自动选择。并设计了参数估计的交替迭代算法,讨论了最优惩罚参数选取方法。蒙特卡罗模拟结果显示,新方法不仅能对分位回归系数做出准确的估计和选择,而且对随机误差分布也具有较强的稳健性。

文本挖掘中特征降维方法比较研究

研究了文本挖掘中的高维特征选取问题．对常见的降维主要方法：特征选择和特征抽取等算法进行了理论分析与性能比较．评价了它们的优缺点和适用范围。

蒙特卡罗模拟元素特征X射线注量的展宽技术

蒙特卡罗模拟技术可以有效提高核辐射探测分析效率、降低分析成本，在促进X荧光分析技术发展过程中也发挥了重要作用。在应用蒙特卡罗模拟能量色散X荧光分析中，为使蒙特卡罗模拟元素特征X射线注量谱与实验能谱之间的物理差异更小，提出了一种模拟注量展宽算法。首先依据离散统计物理理论，建立了Si-PIN半导体探测器对X射线的响应函数模型，并利用加权非线性最小二乘法拟合得到各系数，再对系数进行归一化处理，得到归一化后的响应函数R（E，E′）。然后利用R（E，E′）对模拟注量进行展宽转换，得到脉冲幅度谱（pulse height spectrum，PHS），使模拟谱更趋近于实验谱，这样就可以通过蒙特卡罗模拟得到与实测能谱一致性较高的模拟能谱。研究中最后利用建立的探测器响应函数模型对Ti，V，Cr，Mn， Fe，Ni，Cu，Zn，As，Sn元素K系全能峰拟合χ2r 值在1．04～1．18范围内，对铜合金样品中六种元素特征X射线模拟注量转换结果与实验值一致性较好，并实现了对多元素混合样品复杂重迭谱的有效模拟和展宽。

判别多维标度特征学习

传统多维标度方法学习得到的低维嵌入保持了数据点的拓扑结构,但忽略了低维嵌入数据类别间的判别性。基于此,提出一种基于多维标度法的无监督判别性特征学习方法——判别多维标度模型(DMDS),该模型能在学习低维数据表示的同时发现簇结构,并通过使同簇的低维嵌入更接近,让学习到的数据表示更具有判别性。首先,设计了DMDS对应的目标公式,体现所学习特征在保留拓扑性的同时增强判别性;其次,对目标函数进行了推理和求解,并根据推理过程设计所对应的迭代优化算法;最后,在12个公开的数据集上对聚类平均准确率和平均纯度进行对比实验。实验结果表明,根据Friedman统计量综合评价DMDS在12个数据集上的性能优于原始数据表示和传统多维标度模型的数据表示,它的低维嵌入更具有判别性。