超网络道路限速标志识别

限速标志识别系统是智能交通系统的一个重要组成部分,它能有效地辅助司机安全驾驶.针对限速标志的数字字符识别问题,提出一种基于超网络模型的模式识别方法.首先介绍了超网络计算模型及其分类原理;然后采用颜色分割和形状分析相结合的方法对限速标志进行定位,并提取出限速数字字符特征;最后以限速字符的特征向量为训练样本对超网络模型进行演化学习.本文使用超网络模型对限速标志20、40、60、80 km/h进行识别.实验结果表明,基于超网络模型的道路限速标志识别系统最快只需3次迭代便可以完成对样本的学习,识别率为96.15%.和其它传统模式识别方法相比,该模型具有学习时间短、识别率高的优点,为解决现实应用中的道路限速标志识别问题提供了可能.

用于微阵列数据癌症分类的演化硬件多分类器

针对单分类器识别率低、稳定性差的问题,提出了一种用于微阵列数据分类的演化硬件多分类器选择性集成方法.首先把经过预处理的原始训练集随机划分为训练集和验证集;然后通过对训练集的学习获得基于演化硬件的基分类器;再用验证集评价基分类器的性能,选择其中一部分较好的基分类器组成最终的分类系统;最后用独立的测试集验证系统的性能.试验结果表明,对急性白血病和结肠癌数据集的识别率分别为95.42%、88.33%,与其他的模式识别方法具有可比性;同时在识别率相当的情况下,该方法的硬件代价远低于全集成的演化硬件多分类器.

过滤特征基因选择及演化硬件急性白血病分型

提出一种基于虚拟可重构结构的内部演化硬件癌症分子分型方法.为有效处理DNA微阵列数据和便于硬件实现,对比研究了5种基于过滤模式的信息基因选择方法.演化硬件通过系统学习和系统分类两个阶段对经过特征选择的信息基因进行处理.对急性白血病数据集的实验结果表明,基于信噪比信息基因选择方法的演化硬件分类器识别率最高.演化硬件具有和其他传统模式识别方法可比的识别率,识别时间仅需0.12μs.

用于癌症分子分型的虚拟可重构结构演化硬件

根据DNA微阵列数据维数高、样本少的特点,提出了一种用于癌症分子分型的演化硬件方法.该方法是基于虚拟可重构结构的演化硬件识别方法,具备灵活、高速和自适应能力强的特点,有利于建立一个拥有高数据吞吐能力、学习结果易读的高效分类系统.采用信噪比的方法进行特征选择,对选择的基因经过归一化和二值化,然后用演化硬件识别系统通过系统学习和系统分类2个阶段进行处理.急性白血病分类的硬件实验结果表明:演化硬件的识别率和识别时间分别达到了95.88%和0.12μs.