基于可传递信度模型的自适应k-NN分类器

针对训练模式类标签不精确的识别问题,提出了基于可传递信度模型(TBM)的自适应k-NN分类器,它通过运用pignistic变换,可以方便地对待识别模式真正所属的类做出决策,并通过梯度下降来最小化训练模式的输出类标签与目标类标签之间的误差函数,以实现参数的自适应学习.实验表明,该分类器用于处理训练模式类标签不精确的模式识别问题是有效的,且与参数优化前的基于TBM的k-NN分类器相比,其误分类率更低、鲁棒性更强.

基于TBM的自适应模糊k-NN分类器

针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN(k-Nearest Neighbor)分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。

一种有效的基于证据理论的离线签名识别方法

提出了一种有效的基于证据理论的离线签名识别方法。从签名图像的3种信息载体中提取出4种特征,利用所提取的4种特征分别构造基于证据理论的分类器对签名图像进行初步识别,将各分类器的输出作为证据,用改进的证据理论合成公式融合不同分类器的输出得到最终识别结果。结果表明:该识别方法能有效地提高离线签名的识别率。

基于证据理论的钢球磨煤机料位不确定性量化研究

针对钢球磨煤机具有多变量、强耦合和非线性等特性使其面临监测精度低、难度大、性能不稳定等问题.首先设计了现场参数采集实验并利用灰熵关联理论对球磨机料位及其辅助变量间的相关性进行了分析.然后从结构参数、优化准则以及参数距离出发对传统证据理论进行改进,提出了具有鲁棒性和自适应性的新型证据k-NN(Robust Adaptive Evidence k-Nearest Neighbors,RAEk-NN)分类器,再以RAEk-NN分类器构建料位的证据回归多模型,并结合非线性偏最小二乘(Nonlinear Partial Least Squares,NPLS)和支持向量机(Support Vector Machine,SVM)建立了D-S融合法则料位不确定性量化组合模型.结果表明:所提出的组合模型能够实现更精确的料位预测结果,更适应于工况多变的复杂情况,可用于实际生产过程.

基于多分辨几何特征的维吾尔文脱机签名识别

对维吾尔文手写签名图像进行二值化、去噪、归一化和细化等预处理的基础上,结合维吾尔文手写签名的结构与书写风格,对每幅签名图像进行金字塔式分辨率子图像切分,对高分辨率层抽取了共16维方向特征,对低分辨率层则抽取了共32维局部中心点特征。基于这两种特征的签名识别率分别为95.50%和90.50%。为了进一步提高识别率,又对两种特征进行了融合,结果识别率提升到了98.50%。对比分析了基于欧式距离和卡方距离度量方法对识别率的影响,确定最佳度量方法。

基于选择性集成学习的焊接缺陷识别研究

针对射线检测焊缝图像中缺陷识别正确率低的问题,提出一种选择性集成学习的焊接缺陷识别算法.算法中的个体学习器由稳定分类器和非稳定分类器组成,使用SVM-RFE算法移除集成学习器中的冗余个体学习器,保留子学习器预测输出加权作为集成学习器的输出,有效地增强了个体之间的差异性,进而提高了集成的泛化性能.结果表明:该算法充分利用更多的缺陷特征和样本数据集信息,继承了强集成学习的优点,有效地提高分类正确率.使用一对多的方法把二分类选择性集成学习器推广到多分类问题中,所提出的算法在训练精度为92.4%时;焊缝缺陷识别率提高到85.5%.