基于Boxplot-LTSA噪声流形算法的滚动轴承状态识别

旋转机械在实际运行中往往是变工况的,采集到的数据容易受到噪声、振动、冲击等多重干扰,经过降维处理后的低维流形无法真实、准确地反映其内部结构或内在规律,在进行故障识别时误判率高。提出了一种Boxplot-LTSA算法,利用箱线图Boxplot算法对原始信号进行去噪处理,再利用局部切空间排列方法(LTSA)进行降维,该算法直接对采集到的原始信号进行处理,不需时频域特征提取,避免了数据处理所造成的数据失真,同时LTSA算法能够克服去噪所造成的数据孔洞影响。通过案例,与直接使用流形学习算法降维处理结果进行比较,证实了该方法能够克服噪声对流形学习算法的影响,具有良好的状态识别效果。     

高光谱影像的近邻加权拉普拉斯降维方法

针对高光谱影像数据中存在信息冗余和非线性结构的现象,以及数据分布不均匀时拉普拉斯特征映射近邻点选择不恰当的问题,提出了一种基于Cam加权距离的拉普拉斯改进算法,用于高光谱影像数据降维以压缩数据量并提高分类精度。首先对波段分组去除奇异波段,然后用基于Cam加权距离的拉普拉斯特征映射算法对剩余数据降维,最后将结果输入最小距离分类器进行高光谱影像分类。通过Indiana Pines数据集进行验证,实验结果表明:与线性降维主成分分析法和非线性降维拉普拉斯特征映射相比,基于Cam加权距离的拉普拉斯特征映射算法分类精度更高。     

一种面向自动化标检的文本分类方法

针对自动化标检中的段落文本分类问题,提出一种基于机器学习的改进朴素贝叶斯分类算法。该方法对朴素贝叶斯分类算法进行改进并作为分类器,采用遗传算法作为训练模型对分类器中的所有特征权重进行训练,并采用一种基于图表位置的修正算法优化分类结果。在实际的数据集中进行了实验,结果表明,该方法与传统KNN(K-nearest neighbor)算法和朴素贝叶斯算法相比具有更好的分类结果,能够有效的处理错误样本较多的情况,可大幅提升自动化标检的准确性。     

使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施.使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系.结果表明,数据集的特征数量由83个减少至最低7～9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高.     

基于LPP的某型柴油机润滑油光谱数据分析

为解决通过光谱数据进行工况识别困难的问题,提出了一种基于局部保留投影算法(LPP)对柴油机原子发射光谱数据降维的新方法,并对降维后的数据进行了聚类分析。结合某型柴油机实验台架,通过改变汽缸套和活塞间隙,制定了7种磨合工况,获得69个润滑油样本的原子发射光谱仪数据。利用上述方法,能较为有效地将不同工况下的油样聚类。实验结果证明了该方法在润滑油光谱分析中的有效性。     

基于降维共生特征的JPEG通用隐写分析

针对JEPG图像隐写检测问题,提出了一种基于降维共生特征和单类分类器的通用隐写分析方法。采用共生矩阵挖掘图像DCT块内、块间以及图像小波层内、层间相邻系数的相关性特征,并对特征进行校准和LPP降维处理,利用SVDD分类器进行训练和分类。实验结果表明:该方法相比传统二类隐写分析方法,具有更强的泛化能力,检测率相比几种单类隐写分析方法有明显提高;而且,LPP降维相比PCA降维对提高算法的分类精度具有更好的效果。     

无源跟踪中的一种新数据关联算法

在无源多目标跟踪过程中,数据关联是核心。提出了无源跟踪中的一种新数据关联算法,先对支持向量聚类理论进行了讨论,用该理论对采样到的观测点进行分类,后定义了多特征的关联度计算问题,并用综合数据关联的方法对目标进行状态估计。计算机仿真结果表明:该算法对目标的正确关联度要优于传统的数据关联算法。     

基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

基于相关熵的MACH滤波器

最大平均相关高度(MACH:Maximum Average Correlation Height)滤波器是一种重要的基于相关的模式识别方法。滤波器由训练数据线性构造而成,具有良好的畸变容忍能力,在线性高斯噪声条件下具有理论最优性。为将算法适用于广泛的非线性、非高斯情形,本文引入一种新的度量函数相关熵,可隐性地将输入数据通过非线性变换映射到特征空间;并在新的空间中提出了基于相关熵的MACH滤波器构造方法。最后将此方法应用于合成孔径雷达(SAR:Synthetic Aperture Radar)图像目标分类进行了实验,在接收机工作性能曲线和峰值旁瓣比的比对中,本文算法的性能均有所提升。     

基于层次方法和PCA特征变换的宫颈细胞识别

对宫颈细胞多分类,可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法实验后,选取支持向量机（SVM）作为基分类器,先用一对一策略（one- versus -one）训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。又考虑不同层特征模式的差异性,在保证识别性能同时,每层分类前先采用主成分分析（PCA）法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次PCA法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

结合层次法与主成分分析特征变换的宫颈细胞识别

对宫颈细胞进行多分类可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法进行实验后,选取支持向量机作为基分类器,先用一对一策略训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。考虑不同层特征模式的差异性,在保证识别性能的同时,每层分类前先采用主成分分析法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次主成分分析法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

基于KP CA的作战仿真实验数据特征提取方法

针对作战仿真分析过程中各作战要素的复杂性与非线性,研究了一种基于KPCA的作战仿真实验数据特征提取方法。该方法描述了KPCA特征提取的原理和算法,并将其应用于作战仿真实验数据的空间降维,根据累积贡献率确定新特征的数量。仿真结果表明,该方法与PCA相比具有主成份特征明显、贡献率集中等优点,能够有效综合原始数据的非线性特征,降低原始数据的维数。     

基于KPCA的作战仿真实验数据特征提取方法

针对作战仿真分析过程中各作战要素的复杂性与非线性,研究了一种基于KPCA的作战仿真实验数据特征提取方法。描述了KPCA特征提取的原理和算法,并将其应用于作战仿真实验数据的空间降维,根据累积贡献率确定新特征的数量。仿真结果表明,该方法与PCA相比具有主成份特征明显、贡献率集中等优点,能够有效综合原始数据的非线性特征,降低原始数据的维数。     

一种改进的无参考图像质量评估算法

无参考图像质量评估方法一直是图像质量研究所关注的重点。本文针对无参考图像质量评估问题，在当前被广泛接受的 DIIVINE 图像质量评估方法基础上进行了深入的研究，研究发现经典的 DIIVINE 方法中使用了过多的统计特征量，由于统计量无差别的使用影响了方法的预测性能。基于此，利用主成分分析（PCA）算法对该特征向量进行降维，得到“精简的特征向量”，用此向量可以达到更好的分类性能和评估性能。试验证明，在图像数据库上，该算法表现出较好的预测性能，其性能优于其他主流的无参考图像评估算法。     

基于半监督FCM聚类算法的卫星云图分类

针对卫星云图的特点在分类特征集中采用了一种新的特征--差异化特征,该特征反映了云图的内部结构特点,并且具有良好的鲁棒性,能有效地避免云团位置变化对特征的影响.将半监督思想引入到模糊C均值聚类方法(FCM),克服了单纯的FCM方法未考虑领域知识导致的聚类结果的盲目性.半监督FCM方法在聚类过程中加入少量的由领域专家标记的样本,引入专家的领域知识,通过与这些带有类标记的样本进行相似性比较,引导FCM方法的聚类过程.试验结果表明,基于具有差异化特征的云图特征集,半监督FCM方法能有效地提高云图分类的准确率.     

基于时频原子分解的地雷目标特征提取及分类

利用车载超宽带地表穿透雷达进行大区域地雷探测在军事领域上有重要的应用价值,能否提取稳定一致的地雷特征是其实用化的关键.提出一种基于时频原子分解的地雷目标特征提取和分类方法,该方法以地雷目标的四维散射函数为基础获取二维时频图像,在对时频图像详细分析的基础上,通过时频原子对地雷目标一维距离向剖面进行分解,得到能够完整描述地雷时频域特征的多个原子,将这些原子作为特征向量送入分层分类器.通过实测数据验证,该方法适用于车载超宽带地表穿透雷达探测地雷.同传统基于时域或频域的特征提取算法相比,该方法提取的特征更加稳定,能有效改善地雷探测性能.     

支持向量机的滚动轴承状态监测

提出了一种基于支持向量机的滚动轴承状态监测方法.该方法采用小波能量表征轴承信号的特征,采用支持向量机作为分类器构建支持向量机状态监测系统.仿真实验表明该方法具有很好的在线监测性能和分类性能,该方法对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点,提出了基于信号线谱特征的主成分分析(PCA)特征选择方法,其优点是从复杂的目标信号中提取目标的特有信息,降低了目标特征维数.将此方法用于实录的三类水下目标数据,采用BP神经网络对目标进行识别分类,仿真结果说明了所提出的方法的正确性和有效性.