基于多特征融合与Fisher准则的遥感场景图像分类

提出一种基于多特征融合的Fisher准则分类方法,将提取到的卷积神经网络特征、图像纹理的局部二值模式、方向梯度直方图特征及颜色特征、颜色矩进行有效融合,使其在高维空间上线性可分,利用线性分类器Fisher对特征模型的参数进行微调获得分类结果.将该模型应用于数据集UCM进行测试,与其他分类方法相比,准确率均有所提升;与深度卷积网络GoogLeNet相比准确率提升1.5%.为保证该模型的泛用性,于AID数据集上进行进一步实验,结果验证了该模型的有效性.

新会计准则下金融资产的会计分类——来自四家A股上市保险公司的实践

2023年1月1日,《企业会计准则第22号——金融工具确认和计量》和《企业会计准则第25号——保险合同》同时在上市保险公司中实施,预计将于2026年推广至所有保险公司。两项新会计准则引入了全新的金融资产分类:更大比例的资产以公允价值评估;保险合同负债跟随当期利率同步变动;资产负债不匹配的后果直接在财务报表中体现。这些变化大幅增加了保险公司净利润和净资产的波动性。保险公司在财务报表中应该如何对资产进行会计分类,才能减少新准则对财务结果的影响?

基于密度峰值聚类方法的多准则ABC库存分类模型

对于ABC库存分类管理的多准则优化问题,已有多种分类模型被提出,其中无监督机器学习方法具有吸引人的理论和实践特性,最大优点是不涉及主观性。在平均单位成本、全年货币使用量和提前期这三种库存决策要素的基础上,提出一个基于密度峰值聚类方法的多准则ABC库存分类模型。使用DPC模型和K-Means 模型对由47个库存单位组成的标准数据集进行聚类分类,利用成本-服务绩效方法将DPC模型、K-Means 模型和GMM模型分类结果进行比较分析。研究结果表明,在成本-服务绩效方面,DPC模型优于K-Means 模型和GMM模型,同时发现这三个无监督聚类模型分类结果优于使用同一数据集的几种数学规划模型。

基于CNN多层融合特征与Fisher准则的分类算法

针对目标物体的多分类问题,提出基于CNN多层融合特征与Fisher准则的分类算法。首先,应用卷积神经网络提取图像的各层特征;然后,通过穷尽搜索法确定各层特征融合的权值系数,得到多目标分类特征;最后,采用Fisher多分类准则,求出使模式具有最大可分性的最佳投影方向,实现目标分类。在ORL、Yale库上进行实验研究,分类准确率分别达到了97. 5%和97. 3%。结果表明,该方法能够解决模式多分类的问题,与传统方法相比有效地提高了识别能力,具有很好的鲁棒性。

基于混淆矩阵和Fisher准则构造层次化分类器

构造层次化分类器的首要环节是确定各个子分类器的层属关系及其内部组成.从模式间的相似关系入手,实现了一种自动产生层次化分类器结构的方法.为了描述模式间的相似关系,首先提出利用混淆矩阵度量相似性的思路与方法,避免了现有常用度量方法计算量大、假设条件难以成立的不足.进而遵循Fisher准则,设计并实现了模式相似关系分析机(patterns’similarityrelationshipanalyzingmachine,简称PSRAM),将有师指派和无师自组两种常用的模式重组方法有机结合起来,自适应地产生层次化分类器结构.大量测试证实,该方法有效、实用,可以显著地提高分类器的识别性能和稳健性.

基于边际Fisher准则和迁移学习的小样本集分类器设计算法

如何利用大量已有的同构标记数据(源域)设计小样本训练数据(目标域)的分类器是一个具有很强应用意义的研究问题.由于不同域的数据特征分布有差异,直接使用源域数据对目标域样本进行分类的效果并不理想.针对上述问题,本文提出了一种基于迁移学习的分类器设计算法.首先,本文利用内积度量的边际Fisher准则对源域进行特征映射,提高源域中类内紧凑性和类间区分性.其次,为了筛选合理的训练样本对,本文提出一种去除边界奇异点的算法来选择源域密集区域样本点,与目标域中的标记样本点组成训练样本对.在核化空间上,本文学习了目标域特征到源域特征的非线性转换,将目标域映射到源域.最后,利用邻近算法(k-nearest neighbor,k NN)分类器对映射后的目标域样本进行分类.本文不仅改进了边际Fisher准则方法,并且将基于自适应样本对筛选的迁移学习应用到小样本数据的分类器设计中,提高域间适应性.在通用数据集上的实验结果表明,本文提出的方法能够有效提高小样本训练域的分类器性能.

基于Fisher准则和TrAdaboost的高光谱相似样本分类算法

针对小样本情况下高光谱类别相似导致图像类间分类精度低的问题,提出了一种基于Fisher准则和TrAdaboost的高光谱相似样本分类算法(H_TrAdaboost)。首先,结合光谱角法与光谱信息散度对样本进行相似度测量,确定辅助训练样本集,扩大总训练样本数量;其次,利用改进的Fisher准则进行样本可分性研究,从而在总训练样本中选出分类性较强的波段子集;最后,在算法迭代过程中利用TrAdaboost算法动态调整正负样本的权重,完成小样本情况下高光谱相似样本类间分类。结果表明,提出的H_TrAdaboost算法相较于对比算法有较高的分类精度,证明了所提算法的有效性。

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。

Fisher准则下面向判别性特征的字典学习方法及其组织病理图像分类研究

针对当前面向组织病理图像特征提取的字典学习方法中存在着学习的无病字典与有病字典相似程度高,判别性弱的问题,本文提出一种新的面向判别性特征字典学习方法 (Discriminative feature-oriented dictionary learning based on Fisher criterion, FCDFDL).该方法基于Fisher准则构造目标函数的惩罚项,最小化学习字典的类内距离与最大化学习字典的类间距离,大大降低无病字典与有病字典间的相似性.同时,优化学习字典对同类样本的重构性能,并约束学习字典对非同类样本的重构性能.然后,利用本文学习的无病与有病字典对测试样本进行稀疏表示,采用重构误差向量的统计量构造分类器.最后,分别在ADL数据集与BreaKHis数据集上验证了本文方法的有效性.实验结果表明,本文学习字典的判别性更强,获得了更优的分类性能.

基于Fisher准则的分类器在皮革正反面分类中的应用

制鞋业中的皮革表面缺陷查找和排样主要靠手工完成,因此效率低下.基于图像处理技术的自动化缺陷查找及排样,可以较大地提高生产效率.皮革的缺陷查找和排样,主要在皮革的正面进行,因此皮革正反面的自动判别是后续处理的关键.因为皮革具有典型的纹理特征,纹理图像其特殊的像素空间分布方式有别于普通的灰度图像,因此常用的灰度图像分类特征对纹理图像的分类不适用.而基于灰度共生矩阵提取纹理图像的统计量组成的特征向量,并在Fisher判别准则的基础上设计一种线性分类器来对皮革纹理图像进行分类.实验结果证实,该分类器可有效地对皮革的正反面进行分类.

一种基于加权核Fisher准则的朴素贝叶斯分类器

利用加权核Fisher准则,给出一种朴素贝叶斯分类器的改进算法。该算法通过寻找使类与类最大分离的最优投影矩阵,将样本数据进行投影变换,再利用朴素贝叶斯分类器对新样本进行分类。将该方法应用于双酚A生产过程在线监测数据集的分类中,仿真结果表明,相比于单纯朴素贝叶斯分类器,该分类算法具有更好的分类性能。

基于Fisher准则和贝叶斯分类器的藏文WEB文档分类算法

针对藏文WEB文档分类中朴素贝叶斯分类算法存在的缺点,从并行的角度提出了一种基于Java Bean模式的并行算法,其关键部分的时间计算复杂度从O(n3)降为O(n2),该算法与经典的串行算法相比,能显著地提高分类速度。

基于贝叶斯信息准则的多波束海底底质非监督分类

海底底质分类作为海洋测绘的主要研究方向,适用于无先验样本的非监督底质分类技术是重要的研究内容。传统K-均值聚类方法存在主观设置参数的局限性,无法准确高效判别最优聚类数。因此,本研究首先依据多波束反向散射强度角度响应曲线数据,结合贝叶斯信息准则构建特征概率密度模型,实现聚类数的准确寻优;其次,融合多波束强度特征和地形特征构建基于K-均值的海底底质非监督分类模型。实验表明:该方法准确解释了实际底质的分布情况,总体分类精度和Kappa系数分别为77.97%和0.67,相较于最大最小值法和中心点法分别提高了13.93%、0.22和1.69%、0.02,收敛迭代次数比中心点法减少67次,提高了分类效率,为海底底质的自适应聚类提供参考。

Fisher准则K-L变换和SVM在分类中的应用

在模式分类问题中,利用Fisher准则及K-L变换将样本数据从高维特征空间映射到低维特征空间以提取特征;而SVM(支持向量机)引进核函数隐含的映射把低维特征空间中的样本数据映射到高维特征空间来实现分类。文章利用三种方法对鸢尾属植物数据集的分类进行仿真试验,并对仿真结果进行分析比较,给出了三种方法在模式分类应用中的异同以及他们之间的内在联系和区别。

基于Fisher判别准则的沉积环境判别与分类方法

基于Fisher判别准则建立了沉积环境判别与分类的Fisher判别分析模型。模型选用粒度的平均粒径、标准偏差、偏差以及峰值等4个指标作为判别因子,利用方差分析的思想选择判别系数建立相应的判别函数,以该函数计算待判样品的Fisher判别函数值,以最大值对应的总体作为样品的归属。判别结果表明,所建立的沉积环境判别与分类的Fisher判别模型具有一定的实用价值。

基于加权Fisher模糊判别准则的真彩色影像分类方法研究

针对Fisher判别分类中,选取样本不平衡导致Fisher线性判别性能下降,提出了加权Fisher判别对类内散布矩阵进行修正的方法.同时,针对Fisher判别准则为阈值分类器,引入了一种新的Fisher模糊判别准则.该方法应用于无人机真彩色影像的道路、植被、裸土地分类,取得了较好的分类结果.并与传统Fisher方法进行了对比研究,实验结果表明,基于加权Fisher模糊判别方法比传统Fisher方法的分类性能明显提高.

新金融工具准则对企业应计盈余管理的影响研究——基于金融资产分类视角

原有金融工具准则的顺周期性和滞后性等问题逐渐暴露,为促进金融体系健康发展,财政部于2017年修订了金融工具会计准则。基于2015—2020年我国纯A股上市公司数据,实证检验了新金融工具准则对企业应计盈余管理的影响。研究结果表明,新金融工具准则的实施降低了企业应计盈余管理程度,且对企业正向盈余管理的抑制作用更明显。进一步研究发现,新金融工具准则在非国有企业、低股权集中度企业以及由非大型会计师事务所审计的企业中发挥的边际效应更强。外部环境检验结果显示,新金融工具准则在高法治水平和高市场化程度地区实施的效果更佳,对企业盈余管理的约束更明显。因此,为进一步促进资本市场的健康发展,政府应根据经济环境的变化,不断完善相关会计准则;企业应进一步加强内部治理,提高会计准则执行效果。

用主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率。采用支持向量机对特征数据分类。Fisher准则在特征提取中具有良好的效果。

基于改进残差网络的多准则备件分类方法

农机设备备件管理是农业领域的一个关键问题,准确的备件分类可以确定更优的库存管理策略。改进深度残差网络的备件分类方法,可以通过建立多维度的分类准则和对备件信息数据预处理,得到具有时间维度和备件属性图像的备件标识方法。提取特征时,为保证相似属性间的特征联系,在网络模型中加入挤压和激励网络(squeeze-and-excitation networks,SENet),得到改进的残差网络模型。为验证模型的分类效果,选用某拖拉机集团的大型设备的备件作为案例分析。结果表明,该方法对大型生产机器的备件具有很好的分类效果。

基于卷积神经网络的SAR图像舰船分类

针对合成孔径雷达图像中斑点噪声导致图像分类准确率低的问题,提出一种基于改进VGG16的分类算法。在卷积层中加入一层注意力层,专注于重要特征,抑制不重要特征,从而抑制斑点噪声。在目标函数中引入Fisher损失函数,用该函数对特征的类内距离和类间距离进行约束,从而使得由于斑点噪声所造成的分类错误减少。通过实验可知,相比于改进前的网络,分类准确率提高了5.63百分点,有效改善了因为斑点噪声所造成的分类准确率低的问题。