基于Softmax回归在复杂地形条件下的降水相态预报模型——以山西省晋中市为例

利用2000—2018年山西省晋中市常规地面观测资料对当地降水相态时空分布特征进行统计分析,用ERA5再分析资料在显著性检验基础上筛选出与降水相态相关性较强的物理量参数,以筛选出的物理量作为特征数据,采用k-聚类法对晋中市进行区域划分,基于Softmax回归方法分别建立不同区域的降水相态分类预报模型。结果表明,晋中市发生雨雪转换日最多的是3月,其次为11月,4月、11月更容易发生液态降水向固态降水的转换;筛选出与降水相态相关性较强的3个物理量参数分别是T_(850hPa)、T_(0)和H_(700~850hPa),相变日数有明显的地域差异;第二区域和第三区域的模型预测精度均高于不进行区域划分的模型精度,说明进行区域划分再建模可在一定程度上提高模型的预报准确率。

基于卷积降噪自编码器和Softmax回归的微地震定位方法

本文提出了一种基于卷积降噪自编码器和Softmax回归的微地震定位方法.该方法首先将微地震数据输入到卷积降噪自编码器中进行随机噪声压制,利用卷积降噪自编码器的编码器提取微地震数据的鲁棒性特征.然后根据震源的地理位置,对每个微地震数据生成多个独立的位置标签.使用带有震源位置标签的微地震特征训练多输出的Softmax分类器模型,同时预测一个输入微地震数据的多个位置标签,进而获得精确的震源位置.合成地震记录的实验结果表明,该方法能够准确快速地定位低信噪比的微地震事件.

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。

基于softmax回归与图割法的脑肿瘤分割算法

从医学图像中分割脑肿瘤区域可以为脑肿瘤的诊断以及放射治疗提供帮助.但肿瘤区域的变化异常且边界非常模糊,因此自动或半自动地分割脑肿瘤非常困难.针对这一问题,本文结合softmax回归和图割法提出一种脑肿瘤分割算法.首先融合多序列核磁共振图像(MRI)并标记训练样本,再用softmax回归训练模型参数并计算每个点属于各个类别的概率,最后将概率融入到图割法中,用最小切/最大流方法得到最终分割结果.实验表明提出的方法可以更好地得到脑肿瘤的边界,并能较准确地分割出脑肿瘤区域.

稀疏自编码和Softmax回归的快速高效特征学习

针对特征学习效果与时间平衡问题,提出了一种快速高效的特征学习方法。将稀疏自编码和Softmax回归组合成一个新的特征提取模型,在提取原始图像潜在信息的基础上,利用多分类器返回值可以反映输入信息的相似程度的特点,快速高效的学习利于分类的特征向量。鉴于标签信息已知,该算法在图像分类效果上明显优于几种典型的特征学习方法。为了使所提算法具有更好的泛化能力,回归模型的损失函数中加入了L2范数防止过拟合,同时,采用随机梯度下降的方法得到模型的最优参数。在4个标准数据集上的测试结果表明该算法是有效可行的。

利用红外特征和Softmax回归识别绝缘子污秽等级

提出了一种红外图像特征与Softmax回归相结合的方法识别绝缘子污秽等级。通过对红外图像的灰度化、图像滤波、二值化、盘面分割、半盘面提取等预处理过程,获取单个绝缘子半盘面区域。设计了以环境温度、绝缘子背景图像的平均灰度、绝缘子盘面区域的平均灰度、绝缘子盘面灰度分布的方差值、灰度熵和环境湿度共6个反映污秽等级的特征集的基于Softmax回归多值分类模型识别绝缘子污秽等级。引入概率阈值从问题源头出发,解决了拍摄时所产生的无效绝缘子红外图像对污秽等级分类的影响。实验结果表明所选取的特征集和绝缘子污秽识别模型高效且可行。

基于知识图谱和Softmax回归的干扰信号识别方法

随着信息技术的发展,未来移动通信系统将是地海空一体化的综合性网络,因此通信系统所面临的干扰情况将异常复杂,这将导致干扰信号的识别与抑制任务更具有挑战性。针对此问题,文中提出一种基于知识图谱和Softmax回归的干扰信号识别方法。该方法首先构建干扰信号识别的专家知识图谱并利用TransR算法将其嵌入到低维向量空间中;然后,提取出每个干扰信号的多维特征并做归一化处理,将这些归一化特征值作为Softmax回归模型的输入,从而提高Softmax回归算法对干扰信号识别的准确率。仿真结果表明,对于典型的干扰样式,文中方法比基于Softmax回归和基于BP神经网络的干扰信号识别方法具有更好的识别性能。

基于Softmax回归分类分析的人体运动检测研究

提出一种基于分类分析的人体运动状态识别方法。通过手机内置的加速度传感器采集相关数据,然后对采集的数据进行预处理,采用Softmax回归分类算法对人体运动状态进行分类。在深度学习框架TensorFlow下的实验结果显示此算法分类精度较高,对静止、走路、慢跑、上下楼梯、骑车等五种运动状态的综合识别率为88.18%。

基于Softmax回归模型的骨龄X射线图像手骨分割

针对儿童青少年的骨骼发育情况,临床上常采用手腕骨X射线图像进行骨龄评估。其中手骨区域的分割是预处理中的关键一步,手骨分割的准确率极大地影响最后的评估结果。传统的阈值分割方法在自动化分割过程中鲁棒性较差,利用深度神经网络的自动分割准确率比传统方法高但较为复杂。研究在阈值分割的基础上,提出先通过训练Softmax回归模型预测最佳阈值得到二值图像,再利用区域生长法提取完整手形,最后对手骨图像进行归一化处理的分割方法。在100张临床数据测试集上,将提出的方法与传统的阈值分割方法--Otsu、最大熵阈值和直方图均值分割方法进行对比,采用相似系数DSC(dice similarity coefficient)、欠分割率和过分割率3个客观评价指标对分割结果进行定量分析。实验证明该方法的分割效果最理想,平均DSC值为0.97,欠分割率和过分割率接近于0,对于复杂的手骨图像也表现出良好的分割性能,相比传统的阈值分割方法具有更好的鲁棒性,能够准确的对骨龄X射线图像进行自动化手骨分割处理。

基于Softmax回归模型的协同过滤算法研究与应用

针对传统的协同过滤推荐算法所存在的推荐精度不高的问题,提出了基于Softmax回归模型的协同过滤算法。根据用户的属性特征将用户分为不同的簇,再从目标用户所在的簇中实现协同过滤推荐,有效缩减了最近邻居的查找范围,提高了推荐效率。主要将此改进算法应用于饮食推荐中,根据用户的饮食记录对用户按口味偏好进行精准分类,将偏好相同的用户划分到同一个簇中,再从目标用户所在的用户簇中查找最近邻居,完成推荐。从两方面对此方法进行了实证分析:基于Softmax的用户口味偏好分类的准确率分析和基于Softmax的协同过滤推荐精准度分析,验证了该方法的有效性和可行性。

基于正则化Softmax回归的全脑功能性磁共振成像数据特征选择框架

针对功能性磁共振成像(f MRI)数据高维小样本特性给分类模型带来的过拟合问题,文中基于Softmax回归提出结合L2正则与L1正则的全脑f MRI数据特征选择框架.首先,基于大脑认知的特点,将全脑分成感兴趣区域和非感兴趣区域.然后,使用可以缩小权值系数的L2正则对感兴趣区域建模以选出感兴趣区域的全部体素,使用具有稀疏作用的L1正则对非感兴趣区域建模以选出非感兴趣区域中的激活体素.最后,结合感兴趣区域和非感兴趣区域的体素构成全脑f MRI数据的正则化Softmax回归模型.在Haxby数据集上的实验表明,L2与L1的正则化策略可有效提升全脑分类的准确率.

基于增强稀疏自编码器与Softmax回归的医学诊断

为了提升医学诊断的预测精度,设计了增强稀疏自编码器和Softmax回归的特征学习和分类阶段组合方法。在稀疏自编码器(SAE)网络的特征学习中,通过惩罚网络的权重实现稀疏性,结合反向传播学习方法将变化向后传递并迭代优化成本函数。在Softmax回归分类阶段中,利用带动量的小批量梯度下降法来优化Softmax分类器的交叉熵,结合小批数据计算模型误差更新模型参数并实现收敛性。将所提出方法用于心脏病、宫颈癌和慢性肾病(CKD)数据集实验,其预测精度分别为91%、97%和98%,并且表现出较高的特征学习和鲁棒的分类性能。

基于Softmax回归的通信辐射源特征分类识别方法

当前通信辐射源的特征识别方法不仅需要较高的样本数,而且存在识别效率低、识别率下降的问题。为此,提出一种应用Softmax回归对通信信号循环谱进行多分类识别的方法。以通信信号的循环谱密度特征为样本集,通过主成分分析降维算法筛选特征样本,使用Softmax回归多分类识别器对特征样本进行分类。实验结果表明,与传统神经网络方法相比,该方法可以实现对通信辐射源个体的有效识别,并且识别时间较短。

朴素贝叶斯与Softmax回归在文本分类上的对比研究

文本分类问题是自然语言处理中的重要任务。本文将机器学习中的朴素贝叶斯模型以及Softmax回归应用于自动文本分类中,在清华新闻分类语料数据集上实现了基于多项分布与类条件分布假设实现了朴素贝叶斯模型,并使用BOOL、TF、IDF、TF-IDF四种特征权重训练了Softmax回归模型。最后,将两种模型在训练集与测试集上的性能进行对比。

基于softmax回归和矩阵分解的协同过滤推荐方法

针对传统的协同过滤(CF)方法由于仅利用评分数据而存在用户偏好挖掘不全面,以及数据稀疏性及冷启动问题,提出了一种基于softmax回归和矩阵分解的协同过滤推荐方法(SRMF-based CF)。该方法首先利用文本挖掘技术,从文本评论中提取项目特征并进行基于特征的情感强度分析,然后采用softmax回归和矩阵分解技术预测目标用户在特征层面的情感值并预测该用户对未评分项目的总体评分值。真实数据集的实验表明,与传统的基于总体评分的协同过滤、基于文本评论的协同过滤以及基于矩阵分解的协同过滤方法相比,SRMF-based CF在平均绝对误差(MAE)和均方根误差(RMSE)上分别降低了1.8%~7.6%和2.1%~9.7%,取得了较好的推荐效果。

基于Softmax回归模型的地震灾害损失预测评估研究

文章在对地震灾害损失进行等级划分基础上,提出一种利用Softmax回归模型对地震灾害损失进行评估预测的方法。该方法以我国2005—2017年的全国地震数据作为样本集,将震级、震源深度、震中烈度、抗震设防烈度、设计基本地震加速度、灾区人均GDP、灾区人口、受灾面积等数据作为特征参数,在Softmax回归损失函数中加入权重衰减项后运用梯度下降算法进行求解,采用最小损失函数值对应的模型参数来构建Softmax回归模型,对地震灾害损失等级进行评估和预测。研究结果表明,与支持向量机(support vector machine,SVM)和传统逆向传播(back propagation,BP)神经网络相比,该方法具有更高的地震灾害损失预测精度和能力,其测试精度达到78.571%。

基于改进的softmax回归模型的话题跟踪算法

话题跟踪的目的是将新的新闻数据分配到已知话题中,对把握新闻发展趋势和进行舆情分析具有重要作用。本文深入分析了几种基于向量空间模型的特征项权重算法,发现传统算法没有充分体现特征项中类别信息的作用,在此基础上引入了类别区分度因子对卡方统计量进行改进,给出了加入类别信息的卡方统计量算法,该算法能够更准确地提取出对新闻区分度较大的特征项。同时,在特征项权重的框架内对常用的softmax线性模型进行了基于余弦假设的改进。基于标准数据集TDT4的实验表明,本文给出的权重算法和分类算法均能够提高话题跟踪的查全率和查准率。

基于softmax回归的工业设备多类故障诊断方法研究

工业设备的故障诊断问题一直是工业界的关注重点。本文提出了一种数据驱动的故障诊断方法,该方法不需要对工业设备的结构和机理有深入了解,只依赖于设备的历史运行数据。该方法以softmax回归模型为基础,能够应用于多类故障的诊断问题中,并且可根据需要采用最小错误率或者最小风险准则进行诊断决策。实验证明,本文提出的故障诊断方法具有较高的准确率,能够符合实际需要。

基于脑电信号特征的高铁调度员疲劳状态识别

为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建ResNet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:ResNet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。

LWT-SSF特征学习的双变量过程均值偏移在线诊断

为了提升双变量过程均值偏移的诊断效率,提出了提升小波重构去噪增强、堆叠稀疏滤波特征学习和Softmax回归分类的双变量过程均值偏移在线诊断模型。首先,对原始数据流进行提升小波分解与重构,以突显其整体变化特性。其次,利用堆叠稀疏滤波对重构后的数据序列进行逐层学习,得到维度低且表征强的数据特征。而后,通过带有标签的特征数据对Softmax回归分类器进行有监督学习,识别双变量过程均值偏移的失控源。最后,仿真实验验证了所提诊断模型的有效性。