基于多特征融合的输电通道山火识别方法

针对输电通道山火频发引起线路跳闸的问题,提出一种基于多特征融合的输电通道山火识别方法。利用伽马变换和Sobel算子对输电线路山火图像进行图像增强处理,并使用由超像素分割、区域生长法及形态学处理构成的多级分割算法获取火焰区域的图像;提取分割后火焰图像的颜色特征和纹理特征,采用串行特征融合方式进行融合之后输入BP神经网络分类器进行训练,实现对输电通道山火的识别。实验结果表明,该方法对山火识别的总体精度达到92.7%,可以为电力运维人员进行输电通道山火监测提供参考。

基于特征融合的正常语音和低语语音分类系统

低语(Whisper Speech)是指凑近别人耳朵小声说话,即私下里轻微的说话声。低语是一种常见的发音方式,由于发音方式比较特殊,其与正常语音在特征方面有较大差异。目前,区分低语和正常语音多数是借助于各类软件对某些声学特征进行直接观测,比如常见的频谱图等,而对于二者的分类模型研究较少,且没有一个公开的汉语低语语料库。为此,首先创建一个汉语低语语料库;其次,建立一种鲁棒的低语与正常语音的分类系统,提出一种基于卷积神经网络(CNN)的特征融合方法,该方法将光谱平坦度(Spectral Flatness)和语音均方根(Root Mean Square,RMS)相结合。实验结果表明,所提出的特征融合方法能够提高低语与正常语音分类系统的性能,与基线模型相比,准确率提高21.67%。

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.

基于关联特征的朴素贝叶斯文本分类器

单词的共同出现信息可以为文本分类做出贡献,但是,目前的文本分类研究中未能充分使用这一信息。文中提出了一种利用关联特征来提高朴素贝叶斯文本分类器性能的策略,给出了关联特征集的构造方法,设计并实现了冗余关联特征剔除算法和关联特征筛选算法,使得特征空间中的每个特征都具有较强的分类能力。实验证明,经处理后的关联特征集可以提高朴素贝叶斯文本分类器的性能。

基于特征加权的朴素贝叶斯分类器

朴素贝叶斯分类器是一种广泛使用的分类算法,其计算效率和分类效果均十分理想。但是,由于其基础假设“朴素贝叶斯假设”与现实存在一定的差异,因此在某些数据上可能导致较差的分类结果。现在存在多种方法试图通过放松朴素贝叶斯假设来增强贝叶斯分类器的分类效果,但是通常会导致计算代价大幅提高。该文利用特征加权技术来增强朴素贝叶斯分类器。特征加权参数直接从数据导出,可以看作是计算某个类别的后验概率时,某个属性对于该计算的影响程度。数值实验表明,特征加权朴素贝叶斯分类器(FNVNB)的效果与其他的一些常用分类算法,例如树扩展朴素贝叶斯(TAN)和朴素贝叶斯树(NBTree)等的分类效果相当,其平均错误率都在17％左右;在计算速度上,FWNB接近于NB,比TAN和NBTree快至少一个数量级。

基于多特征融合和SVM分类器的植物病虫害检测方法

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机(SVM)的检测方法,实现农业生产中植物病虫害的快速检测。对每幅植物叶片图像的颜色、HSV、纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类。对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率。

特征权对贝叶斯分类器文本分类性能的影响

在文本分类研究中,人们希望用特征权来改善文本分类效果。以最优分类器——贝叶斯分类器为基准分类器,研究了特征权对文本分类性能的可能影响。理论推导表明,就最优分类器而言,特征权不能有效提高文本分类效果。

水下目标识别的特征融合分类器设计

本文对水下目标识别中的特征融合技术进行了研究 ,讨论了特征融合技术中的问题和解决途径 ,并给出了特征融合分类器的特性 ;设计了模糊融合分类器 ,给出了具体的算法 .该分类器对样本在模式空间中的分布不做任何假定 ,注重类别间的相互约束 ,强调各个模式的独立作用 ,用类似于模糊并运算的方式综合这些作用 .在实际应用中 ,通过与已有的分类器比较 ,表明模糊融合分类器能够综合多种信号特征 。

基于多策略融合斑马优化算法的特征选择方法

针对传统斑马优化算法在求解复杂优化问题时精度低、收敛速度慢和易陷入局部最优的不足,提出一种多策略融合的改进斑马优化算法(IZOA)。首先,为解决斑马个体初始位置分布不均匀的问题,引入混沌映射来增加探索过程的种群多样性;其次,受自适应权重和黄金正弦算法思想启发,提出一种基于自适应递减权重和黄金正弦更新机制的位置更新策略,用于改进斑马算法的局部寻优与全局探索能力;然后,进行标准测试函数实验,验证了IZOA能够有效提升寻优精度和收敛速度;最后,将K近邻分类器作为待优化目标,选取UCI库的12个标准数据集进行特征选择实验,并利用改进后的算法在特征选择模型中进行最优特征子集搜寻。实验结果表明,相比传统算法,所提算法的平均分类准确率提升4.47%,平均适应度值降低2.5%,验证了该算法在特征选择领域的优越性。

集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能,提出了基于广义粗集的集成特征选择方法.为在集成特征选择的同时获取各特征空间中的多类模式可分性信息,研究并提出了关于多决策表的相对优势决策约简,给出了关于集成特征选择的集成属性约简(Ensemble attribute reduction,EAR)方法,结合基于知识发现的KD-DWV算法进行了高光谱遥感图像植被分类比较实验.结果表明,EAR方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.

多色彩通道特征融合的GAN合成图像检测方法

当前,生成对抗网络(Generative Adversarial Networks,GAN)合成的逼真图像难以识别,严重危害国家网络安全及社会稳定.与此同时,多数基于深度神经网络模型设计的检测器需要大规模训练样本,且存在模型可解释度不高、泛化性能差等问题.为了克服上述亟待解决的关键性难题,本文提出一种多色彩通道特征融合的GAN合成图像检测方法.首先,探索分析真实自然图像和GAN合成图像在不同色彩空间相邻像素之间的差异,并设计差异度量算法,完成色彩通道选择.其次,利用图像像素间的高度相关性,在八个方向上通过二阶马尔可夫链对相邻像素之间的差分数组进行建模,提取差分像素邻接矩阵特征.最后,利用上述特征,设计一种简单且高效的集成分类器完成GAN合成图像的检测任务.在基于StyleGAN模型合成的伪造人脸数据集中,所提出方法的检测准确率高达100.00%;在小样本训练约束条件下,正负样本对数仅仅为2时,检测准确率高达99.65%;在单类样本训练约束条件下,正样本数仅仅为50时,检测准确率高达92.84%.在基于更先进的StyleGAN2和PGGAN模型合成的伪造场景数据集中,所提出方法的检测准确率达到99.96%以上.以上大量实验表明,本文所提出的方法明显优于比较的GAN合成图像检测方法.本文方法已经开源:https://github.com/cyxcyx559/ccss.

基于多源特征融合的实验室不安全行为检测系统设计

为降低实验室事故发生率,设计一种基于多源特征融合的实验室不安全行为检测系统。首先,构建系统基础框架,在图像采集单元中利用高清摄像机获取实验室监控视频图像,经过图像处理单元的灰度化、去噪、平滑滤波处理后,在目标识别单元中采用帧间差分法获得视频目标区域图像;然后,在特征提取单元中处理视频目标区域图像,提取HOG特征以及人体行为重心特征,通过对二者进行融合处理得到一维特征向量,将其输入到行为检测单元中,利用SVM分类器检测不安全行为。实验结果表明:所设计系统可有效检测实验室不安全行为,F1指数均值、召回率均值分别为98.94%、99.15%,错误检测数量较少。

基于多重特征选择和多分类器融合的文本层次分类研究

针对大量电子文档需要准确地进行多层次自动分类管理的现实需求,提出基于多重特征选择和多分类器融合技术的层次分类方法。通过引入可信度函数对单分类器效果进行评价,适时采用辅助分类器对较难分类的文档进行分类投票判决。实验结果表明,相对于单分类器,该方法无论在平面分类和层次分类语料上都获得了更好的分类精度,且具有较好的时间复杂性,有很好的实际应用前景。

一种基于特征置换的朴素贝叶斯分类器

朴素贝叶斯分类方法是一种广泛使用的分类算法,在独立性假设不完全满足的情况下计算效率和分类效果均较为理想.通过分析全局特征向量中各特征与类别属性之间的联系,提出将组合特征置换多源特征,用组合特征的共现率对多源特征进行概率调整的新方法,在不同数据集的实验中,调整后的朴素贝叶斯分类器(FRNB)的分类精度均好于传统朴素贝叶斯分类器.测试结果表明,改进后的算法是有效可行的.

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类。通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果。实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性。

基于RBF网络和贝叶斯分类器融合的人脸识别方法

提出一种基于径向基函数(RBF)网络和贝叶斯分类器的人脸特征分类与识别算法,以提高小样本人脸识别精度。通过基于聚类方法的RBF神经网络和贝叶斯分类器融合设计实现人脸图像的分类识别。实验数据分析表明,该方法在人脸骨骼特征突出情况下具有较高的识别率。文中提出的分类器融合的识别方法具有良好的学习效率和识别精度品质指标。

基于交互式多特征融合算法的药物靶标预测

【目的】药物-靶标相互作用预测在药物重定位和药物开发方面起着至关重要的作用。【方法】提出了一种基于冗余度-相关性和交互作用结合的多特征融合算法RCI(redundancy-correlation and interaction),并结合堆叠集成分类器搭建药物靶标预测模型。首先,提取药物和靶标的高维特征进行多特征融合,使用RCI算法构建非冗余的且具有相关性的交互特征子集。然后,将交互特征子集输入到由多个基学习器构成的堆叠集成分类器中进行训练。最后,对两个基准药物靶标网络进行了预测。【结果】实验结果表明,所搭建模型的准确度ACC值和AUC值均优于现有基线方法,说明所提算法的有效性。

基于朴素贝叶斯分类器的古诗词作者争议检测

本文收集了《蝶恋花(庭院深深深几许)》等六首作者存在争议的作品所涉及作者的其他作品作为训练语料,经过分词和特征提取后,使用朴素贝叶斯分类器学习作者特征,随后对争议作品进行作者判断。判断结果详细显示了各首争议作品的作者可能性,除《生查子·元夕》外,其余判断结果与文献考证的契合度较高。本文还收集了三组唐朝并称诗人——“元白”“皮陆”“小李杜”的作品,使用朴素贝叶斯分类器进行作者判断,取得了较好的效果,进一步验证了该方法在作者检测上的有效性。

一种基于粗糙集的特征加权朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单高效的分类算法,但其属性独立性假设影响了分类效果。通过放松朴素贝叶斯假设可以增强朴素贝叶斯的分类效果,但是通常会导致计算代价大幅提高。针对以上问题,提出了一种基于粗糙集的特征加权朴素贝叶斯算法,加权参数直接从训练数据中学习得到,可以看作是计算某个后验概率时,某个特征对于该类别的影响程度。将该分类算法与朴素贝叶斯分类器(na ve bayesian classifier,NB)、贝叶斯网(bayes networks)和NBTree分类器进行实验比较。结果表明:在大多数数据集上,FWNB分类器在较小的计算代价下,具有较高的分类正确率。

融合局部贝叶斯分类器的人脸验证

针对人脸全局特征用于人脸验证存在的局限性,本文在Joint Bayesian人脸识别方法的基础上提出了基于局部贝叶斯分类器融合的人脸验证方法。该方法使用约束局部模型(CLM)在人脸上标注27个局部特征点,提取以这些特征点为中心的人脸块,并将它们进一步划分为互不重叠的若干个单元格;将这些人脸块的局部二值模式(LBP)特征通过Joint Bayesian统计训练得到多个局部分类器;最后利用逻辑回归模型将局部分类器融合为人脸验证分类器。在LFW(Labeled Face in the Wild)和WDRef(Wide and Deep Reference)数据库上进行了性能验证实验,实验结果表明该方法的性能要优于Joint Bayesian和其他现有典型分类器。