基于ECOC平衡随机森林的雷达降水粒子分类

针对数据不平衡情况下的降水粒子分类问题,提出了一种基于纠错输出码(error correcting output code,ECOC)平衡随机森林的双偏振气象雷达降水粒子分类方法。首先,将多类别降水粒子数据集编码为多个二分类数据集;然后,对二分类数据集进行有放回的平衡重采样,构建多棵分类回归树;最后,利用所有的分类回归树联合进行降水粒子分类。对实测数据的处理结果表明,所提方法能够在保证总体准确率较高的情况下,大幅提高少数类的分类效果。

基于改进ECOC分类器的直流电缆终端接头局放模式识别

绝缘缺陷问题直接影响直流XLPE电缆的运行安全,而准确的绝缘状态诊断对保证直流输电系统正常运行具有重要意义,由于直流电缆的故障诊断目前研究处于起步阶段,且局部放电特征与交流XLPE电缆具有明显区别。针对直流XLPE电缆出现的绝缘缺陷以及产生的局部放电特点,该文设计了4种直流XLPE电缆终端接头典型的绝缘缺陷物理模型,根据q-(35)t-n(即放电幅值,放电间隔,放电次数)局放信号图,提出了基于改进ECOC分类器的直流电缆终端局放模式识别法。首先,对局放信号图进行轮廓波(Contourlet)变换,并计算各子带系数的Tsallis熵,将其作为特征向量,带入自适应布谷鸟优化稀疏编码阵的ECOC分类器(ACS-SR-ECOC)实现缺陷模式识别。通过对大量试验数据测试,验证了所提出的识别方法在直流XLPE电缆终端接头绝缘缺陷的诊断效果,相比与4种传统的ECOC分类器,所提出的ACS-SR-EOCO分类器的识别准确率更高,至少提高10.3%。

基于AdaBoost.ECOC的合成孔径雷达图像目标识别研究

为了提高合成孔径雷达图像目标识别系统的性能,提出了一种合成孔径雷达图像目标识别的新方法,结合纠错输出码对基本AdaBoost算法进行多类别推广,并将推广后的算法(AdaBoost.ECOC)应用于合成孔径雷达图像目标识别.用运动和静止目标获取与识别数据库中的三类地面军事目标进行识别实验,并将识别结果与其他识别方法进行比较.实验结果表明,提出的基于AdaBoost.ECOC的识别算法可以有效地应用于合成孔径雷达目标识别,并能显著提高目标识别系统的识别性能.

ECOC多类分类中基分类器non-competence问题研究

在纠错输出编码(error-correcting output code,ECOC)多类分类中,当待识别样本的真实类别不属于对应二类子类划分时,训练得到的基分类器将不具备对此类样本进行分类的能力,此时的基分类器在解码融合时面临着non-competence问题。如何衡量基分类器是否具备对样本的分类能力,以及如果不具备,如何减少此种情况下对分类效果的影响是基于ECOC多类分类面临的新问题。针对解码框架中non-competent基分类器的分类融合问题,提出一种基于基分类器对样本是否具有分类能力的加权解码方法。该方法利用支持向量数据描述衡量待识别样本与各划分子类之间的距离,同时利用加权解码,通过对基分类器权重的学习,进而增强对类别拥有分类能力的基分类器的影响,减少不具备分类能力的基分类器产生的误差。基于UCI数据集的实验表明所提方法的有效性和实用性。

基于Elman网络和ECOC-SVM的机电系统并发多故障诊断方法

在复杂机电系统多故障并发情形下,面向单一故障的诊断方法难以辅助维修人员决策,容易产生误诊和漏诊的问题。本文提出一种面向复杂机电系统多故障并发下的故障诊断方法,引入损失函数,用Elman网络对故障类型进行初判,改良结合纠错输出码与支持向量机(ECOC-SVM)的分类器设计,对Elman网络识别的故障类型进行筛选,实现可能故障原因在线推送。本文收集来自某船用发动机公司售后维修部的真实数据,针对某类型的船用发动机,以其故障诊断过程为例进行实验,验证本文提出的方法有显著优势,结果表明:本文提出的分类算法,在提高复杂机电系统并发故障的诊断效率和诊断质量方面,性能优于常用机器学习分类方法。

一种基于N元ECOC的大类别K-shot满文识别方法

由于训练数据获取困难,满文识别被视为典型的K-shot学习问题。但在实际应用场景中,满文识别需要面对的类别数量是极大的,传统的K-shot学习算法并不适用。构建了一种面向大类别识别问题的K-shot学习算法,基本策略是利用N元纠错输出编码(error correcting output coding,ECOC)技术将原本的大类别分类问题分解为一系列较小类别的分类问题再进行处理。算法包括编码和解码两个阶段:在编码阶段,利用N元ECOC编码矩阵将大类别支持集分解为一系列小类别的子支持集,并根据子支持集生成多个K-shot学习基分类器;解码阶段利用上述基分类器对测试样本分类再合并为一个预测编码,然后将预测编码对照编码矩阵纠错,进而确定最终分类类别。实验结果表明,在500类满文数据集上获得了87.8%的识别准确率。

一种搜索编码法及其在监督分类中的应用

纠错输出码作为监督分类领域中的一个新的研究方向,是提高分类器泛化能力的一种有效方法,但目前还没有通用的确定性编码方法.分析了现有纠错输出码的性质,提出一种搜索编码法,该方法通过对整数空间的顺序搜索,获得满足任意类别数目与最小汉明距离要求的输出码;然后探讨了基于搜索编码的监督分类技术.对简单贝叶斯与BP神经网络算法进行实验,结果表明,搜索编码法可作为一种通用的编码方法用于提高监督分类器的泛化能力.

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。

基于SVDD的层次纠错输出编码研究

纠错输出编码能有效地将多类问题分解为一系列二类子问题进行求解,已受到众多机器学习研究者的关注。如何构建基于数据的编码矩阵是编码方法确定的关键。针对此问题,基于Fisher原理,提出一种基于支持向量数据描述(support vector domain description,SVDD)的层次纠错输出编码构造方法(hierarchical error-correcting output codes,HECOC)。该方法首先采用SVDD计算各类别的可分程度,从而得到由不同子类构成的二叉树;然后分别对二叉树的各层结点进行编码并最终形成层次输出编码。在仿真实验中,对不同子类类群划分构成的基分类器的可分性进行了对比,结果表明,该编码方法能在保证分类精度的同时,提高基分类器之间的差异性和纠错输出编码的容错能力。

基于纠错编码的CSNN及其在遥感图像分类中的应用

单输出组合神经网络 (CSNN)克服了BP神经网络固有的缺陷 ,具有网络结构确定、分类行为易于解释、并行性好等优点 ,但分类精度比经过结构选择的BPNN略差 采用纠错编码可以提高CSNN的分类精度 ,首先根据类别数与纠错能力确定类别码组 ,每个码字对应一种类别 ,每个SNN子网对这些码字中的同一位进行训练 ,从而确定网络结构与每个子网所学习的二值函数 ;对未知类别的样本进行分类时 ,各SNN的结果组成一个输出码 ,计算该输出码与各类别码的汉明距离 ,选择与其距离最近的类别码所对应的类别为该样本的类别 ;基于纠错编码的CSNN的分类行为易于转化为规则集形式 ,可理解性强 将该网络结构用于遥感图像分类 ,并与其他分类算法进行比较 ,结果表明采用纠错编码技术 ,CSNN不仅具备原有的各项优点 。

偏标记学习研究综述

在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选标记相关联,其中仅有一个为其真实标记。本文将对偏标记学习的研究现状进行综述,首先给出该学习框架的定义以及与相关学习框架的区别与联系,然后重点介绍几种典型的偏标记学习算法以及作者在该方面的初步工作,最后对偏标记学习进一步的研究方向进行简要讨论。

基于搜索编码的简单贝叶斯分类方法

简单贝叶斯法性能稳定,分类精度难以提高。通过分析搜索编码法产生的纠错输出码的性质,提出基于搜索编码的简单贝叶斯算法SCNB,并详细阐述了SCNB算法的应用流程。实验结果表明,采用搜索编码法能够有效提高简单贝叶斯分类器的泛化能力。

基于Hadamard纠错码核匹配追踪的多类分类方法

针对传统核匹配追踪(kernel matching pursuit,KMP)学习机只能解决二类分类问题的不足,结合纠错输出编码(error-correcting output codes,ECOC)的思想,提出了一种基于Hadamard纠错码的核匹配追踪多类分类方法。该算法通过Hadmard纠错码将核匹配追踪算法推广到多类分类领域,并利用纠错码本身具备的纠错能力提高了分类器的泛化性能。实验中分别对UCI数据集和3种典型空天目标的高分辨一维距离像(high resolution range profile,HRRP)数据集进行测试,通过与2种经典的编码方法进行比较,结果表明该编码方法可以显著提高分类器的性能和鲁棒性。

纠错输出码综述

将纠错输出码运用到监督分类领域中可以有效的提高分类器的泛化能力,但目前还没有通用的确定性编码方法,该文通过对纠错输出编码框架的理解,介绍几种编码,能使读者掌握纠错输出编码的依据和整体。

基于纠错输出编码的人脸表情识别

多分类问题一直是模式识别领域的一个热点,提出了一种基于纠错输出编码和支持向量机的多分类器算法。根据通信编码理论设计纠错输出编码矩阵;按照该编码矩阵设计若干个互不相关的子支持向量机,根据编码原理将它们融合为一个多分类器。为了验证本分类器的有效性,采用Gabor小波提取人脸表情特征,应用二元主成分(2DPCA)分析法对提取的特征进行降维处理,应用该分类器进行了人脸表情的识别。实验结果表明,提出的方法能有效提高人脸表情的识别率,并具有极好的鲁棒性。

适用于非平衡数据的多关系多分类模型

针对多关系多分类的非平衡数据,提出一种分类模型。在预处理阶段,建立目标类纠错输出编码(ECOC)、目标关系与背景关系间的虚拟连接并完成属性聚集处理,进而划分训练集和验证集。在训练阶段,依据一对多划分思想,结合CrossMine算法构造多个子分类器,采用AUC法评估验证各子分类器。在验证阶段,比较目标类ECOC与各子分类器分类结果连接字的海明距离,选择最小海明距离的目标类为最终分类。经合成和真实数据的实验,验证了模型有效性及分类效果。

纠错输出编码的留一误差界估计

纠错输出编码(ECOC)作为分解框架,将多类分类问题转化为二类分类问题,是解决多类分类问题的有效手段。为了提高ECOC的泛化性能,对ECOC基分类器的设计问题进行了研究。解决这一问题的关键是对ECOC的泛化性能进行估计。留一(LOO)误差作为泛化性能的无偏估计,研究了ECOC留一误差界的估计问题。先给出了ECOC留一误差的定义,基于此定义,再给出了基分类器为支持向量机(SVM),解码方法为线性损失函数解码时,ECOC留一误差的上界和下界。在人工数据集和UCI数据集上的实验表明,ECOC留一误差的上界可以指导基分类器的参数选择,通过基分类器设计可以提高ECOC的泛化性能。此外,ECOC的训练误差可以作为ECOC留一误差的下界,对ECOC留一误差下界的研究可以作为未来的研究方向。

自动标注技术概述

图像标签的自动标注技术是当前信息检索领域的热点问题。图像标注本质上是一个机器学习问题,该文对基于超像素的CRF图像分类标注和基于纠错输出编码的图像分类标注两类不同标签标注方法进行对比,阐述其优缺点,指出了实现低复杂度的图像分类标签标注方法的途径。

一种基于改进的AdaBoost的SAR图像分类方法

合成孔径雷达(SAR)图像由于受到相干斑点噪声的影响,使得其高精度的分类算法研究受到极大的挑战.为了提高SAR图像分类的性能,本文根据SAR图像的成像机理和统计特性,通过灰度共生矩阵特征的提取,结合纠错编码,构造了一种SAR图像分类的Ada Boost改进算法.实验结果表明,该算法得到较好的分类结果,分类精度得到了显著的提高.

Learning label-specific features for decomposition-based multi-class classification

Multi-class classification can be solved by decomposing it into a set of binary classification problems according to some encoding rules,e.g.,one-vs-one,one-vs-rest,error-correcting output codes.Existing works solve these binary classification problems in the original feature space,while it might be suboptimal as different binary classification problems correspond to different positive and negative examples.In this paper,we propose to learn label-specific features for each decomposed binary classification problem to consider the specific characteristics containing in its positive and negative examples.Specifically,to generate the label-specific features,clustering analysis is respectively conducted on the positive and negative examples in each decomposed binary data set to discover their inherent information and then label-specific features for one example are obtained by measuring the similarity between it and all cluster centers.Experiments clearly validate the effectiveness of learning label-specific features for decomposition-based multi-class classification.