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。

基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

线性回归分类器在模式识别中的应用

线性回归分类器(LRC)在人脸识别上呈现出了优越的性能,然而,随着每类的训练样本数量增大,LRC的分类速度变得很慢.除此之外,LRC还有一致命的弱点:对大样本问题束手无策,即当每类用于训练的样本数量大于样本的维数时,LRC无法工作.解决以上问题的一个行而有效办法是对LRC作局部化处理.可以对LRC作了两类局部拓展:一是基于K最近邻的线性回归分类器(KNN-LRC).KNN-LRC借助KNN算法对每类训练的样本作了筛选,从而避免了大样本问题的出现,但却受到近邻参数选择的困扰.二是在此基础上进一步提出了基于L1范数的自适应局部线性回归分类器(LI-LRC).L1-LRC具有自适应的近邻选择机制,同时能取得比KNN-LRC更好的分类性能.在两个数据库上,比较各种相关分类器的性能.从分类的结果来看,KNN-LRC和L1-LRC较其它相关分类器的性能好.

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Softmax概率分类器的数据驱动空间负荷预测

提出了一种数据驱动空间负荷预测方法。将网格化体系下的功能地块作为空间负荷预测的基本单元,并且通过多维指标体系进行属性描述。基于大量调研数据,通过数据挖掘方法对不同类型地块的空间负荷密度分布规律和负荷曲线典型形态进行提取。建立Softmax多元概率分类模型对未知地块的负荷水平类型进行匹配。自下而上对相邻地块负荷预测结果进行时域叠加,得到更大区域的预测信息,包括其负荷量和预测负荷曲线。算例仿真结果表明提出的空间负荷预测方法在预测精度上有一定提升。

一种关联回归模糊分类器

在分析分类理论的基础上,提出一种新的基于模糊集理论的分类器的设计算法。最后对iris数据库进行了分类处理,结果证明该分类器的设计方法具有良好的实际应用前景。

基于栈式自编码器和Softmax分类器的电力变压器故障诊断

为更加有效地解决电力变压器故障诊断时面临的数据提取、局部最优、梯度消散等问题,提出了一种基于栈式自编码器(stacked auto-encoders,SAE)与Softmax分类器的电力变压器故障诊断新方法。所提方法首先基于SAE与Softmax分类器理论,建立电力变压器故障诊断模型;然后基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机(restricted Boltzmann machine,RBM)进行逐层无监督训练,并使用有监督算法对模型参数进行调优;最后结合Softmax分类器对故障类型进行判断。算例分析证明,与基于支持向量机(support vector machine,SVM)和反向传播神经网络算法的故障诊断方法相比,所提方法在电力变压器评估方面具有较好的稳定性及更高的准确率。

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。

基于回归分析的全体与类样本分类器的比较研究

针对基于L1范数的Lasso回归与基于L2范数的Ridge回归模型,分别讨论两种分类器的设计方法,即基于Lasso回归的全体与类样本分类器和基于Ridge回归的全体与类样本分类器。分别在2个大样本数据库与2个小样本数据库对所给出的方法进行比较研究与分析,结果表明基于全体样本的分类器更适合小样本问题,而基于类样本的分类器更适合大样本问题。

基于深度神经网络和SoftMax分类器的台区负荷分类识别方法

随着传统分类分析算法研究的不断深入,台区用电负荷模式的分类识别也在不断发展。提出了一种基于深度神经网络(deep neural networks,DNN)和SoftMax分类器的台区负荷分类识别方法,结合已有的典型负荷曲线特征库,实现对台区未知用户的负荷预测,为电网部门需求侧管理提供可靠的支撑。对某台区1200个用户负荷数据进行实证分析,结果表明,提出的分类方法在算法收敛性、计算时间以及预测精度等方面具有更好的性能。

面向局部线性回归分类器的判别分析方法

局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法(locality-regularized linear regressionclassification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。

一种基于K-means的神经网络数据集回归预测算法

在智能电网研究领域的高维数据回归分析和预测模型中,传统的统计学模型不能平衡不同维度之间信息价值,影响数据集的预测有效性。为解决上述问题,提出一种基于K-means的神经网络数据集回归预测算法。首先,在特征层面上,多层循环神经网络提取不同维度的数据特征并训练响应,然后,在算法层面上,通过K-means的分类器模型依照数据的维度特征分类并融合循环神经网络(Recurrent Neural Network,RNN)的特征响应,再对输出响应的数据集构建组合预测模型,从而提高预测算法的可靠性。在公开的回归数据集上进行测试。实验测试的结果表明,与门控循环算法(Gated Recurrent Unit,GRU)相比降低了14.45%的平均绝对误差值。

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。

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。

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.

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。

一种新的两分类器融合的空谱联合高光谱分类方法

本文提出一种两分类器融合的高光谱空谱联合分类方法,首先利用子空间多项式逻辑回归在图像的特征子空间中分类,得到满概率图;根据满概率将每个像元分至概率最大的两个最可信类别,并在原始空间中构建最可信类别字典,利用稀疏解混对每个像元在最可信类别字典下进行稀疏表示,得到稀疏概率图;最后将满概率图和稀疏概率图线性融合,并利用边缘保持的马尔可夫正则项挖掘图像空间信息,得到具有边缘保持的空谱分类模型.实验表明,提出的两分类器融合方法即使在训练样本较少时也比现有方法得到更好的分类结果.

基于SVM的多分类器构造算法的研究

在对传统的多类分类算法研究的基础上,针对基于二值分类器的多分类器构造算法存在的预测精度低、训练时间长的缺点,提出了一种基于SVM的组合回归机构造多类分类器的算法。该算法解决了二值分类器方法中存在的信息丢失问题,同时避免了由于参数调整而造成的计算代价过大的问题。实验结果表明:新的SVM多分类算法大大降低了计算代价,提高了运行效率和预测的精度,减少了运行时间。