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%。     

基于主成分分析法的代价敏感极限学习机

在入侵检测中,传统的极限学习机(ELM)没有考虑到两方面的问题:一是误分类代价的敏感问题,在网络入侵检测中,需要考虑到误分类代价不同的问题,并以实现期望代价最小化为目标;二是冗余特征的处理问题,当入侵特征维数较多时,会存在着大量的冗余特征的问题,如果直接对高维数据进行分类,不仅入侵模式不能被准确分类,误检率较高,并且大量的冗余数据既耗费了系统的资源,也增大了入侵检测的时间。针对这两方面的问题,提出一种基于主成分分析法的代价敏感极限学习机(ELM)。通过主成分分析法对数据进行降维,确定主要特征;再将预处理后的数据训练极限学习机(ELM),以实现期望代价最小化为目标,从而实现降低入侵检测的检测时间,降低检测误报率,提高检测准确率的目的。实验表明,在入侵检测中,基于主成分析法的代价敏感极限学习机(ELM)与传统的ELM相比,不仅使分类准确率得到提高,降低了分类的误报率,而且在分类速度上也有一定的优越性,提高了网络运行的效率。     

基于单类集成分类器的JPEG通用隐写分析

针对JPEG图像通用隐写检测问题,提出了一种基于单类集成分类器的新方法。算法提取图像DCT块内、块间和小波层内、层间的共生特征以及小波子带系数的直方图特征对图像进行描述,并计算检测图像及其原始估计图像所提共生矩阵和直方图分布的对称交互熵作为隐写分析特征;然后,随机构造若干个特征子空间,利用bootstrap方法构造载体图像训练子集,分别进行单类训练得到数个基分类器;最后,将基分类器的分类结果按多数投票法进行融合作为单类集成分类器的分类结果。实验结果表明,单类集成分类器能显著提高算法的检测效果,而且,本方法相比基于多超球面OC-SVM分类器的单类隐写分析方法,具有更高检测率。     

支持向量机的战场直升机目标分类识别

对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kNN分类器和BP神经网络分类器进行分类对比实验.结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上.     

基于主成分分析和神经网络的目标识别

采用主成分分析法将多项识别属性进行综合聚集,减少关联属性对识别的干扰,达到属性约简的目的。利用神经网络进行目标识别,通过优化训练策略,可以提高网络的收敛速度和泛化能力。主成分分析法与神经网络结合既能高效识别已知样本,又能对未知样本具有很强的自学与适应能力,从而有效地对海战场目标进行识别。通过对比仿真,证明了算法的有效性。     

基于图像信息的多特征空间坦克姿态估计

坦克作为地面战场的主要目标,分析其姿态至关重要。根据坦克姿态估计的需要,在可见光条件下采集了坦克车体纵轴与瞄准镜光轴不同夹角的图像作为训练集。利用主成分分析法选取了目标的主要特征向量,每个训练子集用3个特征向量表示,利用少量的特征向量建立目标的8个特征空间,降低了空间的维数。设计判别准则将待识别目标向量与重构向量之间的余弦值进行比较,即确定目标所在的空间位置,完成了目标姿态的识别。实验结果表明,利用建立目标多特征空间的方法识别目标空间位置是有效的。     

一种提升树算法在网络故障关联分析中的应用

针对移动网络故障反馈与故障分类的准确率问题,提出一种基于k-NN的多分类器提升树算法,该算法采用k近邻对特征向量空间划分,结合adboost误差函数和迭代算法,实现多分类器决策判别,并利用R语言可视化方法的关系数矩阵提取和筛选出投诉/故障映射主属性,进而建立基于基站退服、覆盖盲点、非网络原因3类故障投诉关联分析及预测模型。实验结果表明,与C50决策树、RIPPER分类规则及SVM比较,在网络故障关联预测方面新算法的分类准确率提升约2%～10%。     

基于结构自整定前馈网络的雷达目标识别研究

概述了基于雷达成像的目标类型识别技术。阐述了多层前向网络的分类特性,提出一种网络结构自整定算法来训练网络,并构造分类器,对基于转台成像实验的雷达目标类型识别问题进行了仿真研究。研究结果表明,经结构自整定算法训练后的前馈网络对成像雷达目标具有较好的推广识别能力,识别率达到９０％。     

区域物资动员潜力的多元统计分析

为分析不同区域物资动员潜力差异,并对其进行分类,从总体实力和产值结构两方面出发,建立了区域物资动员潜力指标体系。以我国行政区域为研究样本,通过SPSS18软件,结合年度统计数据进行分析。采用主成分分析法对方案层指标进行简化,将形成的综合得分标准化并分析主成分上的载荷,然后采用层次分析法得到总体实力得分。再将研究对象按照总体实力与产值结构进行ward聚类分析,得到6个区域类别,分析其特点,提出动员建议。     

一种新的Gabor小波支持向量机人脸识别算法

提出了一种新的基于Gabor小波特征重组的支持向量机人脸识别方法。该方法首先计算5个尺度和8个方向的Gabor小波变换结果,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个新特征矩阵,分别利用PCA方法降维去噪,最后构造40个支持向量机分类器并采用选票决策机制决定识别结果。实验结果表明,该方法不仅拓宽了主元分析法中累积方差贡献率可选范围,并在一定程度上解决了核参数选择难的问题,同时取得了理想识别效果。     

基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分.贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较.实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能.     

多特征空间下的支持向量机及其在图像识别中的应用

分别在主成分分析(PCA)、独立成分分析(ICA)和线性鉴别分析(LDA)所构造的特征空间下用模糊支持向量机(FSVM)进行人脸识别。同时,提出了一种改进的FSVM方法,即利用FSVM和多叉决策树相结合的思想来设计人脸分类器,从而使FSVM分类器的速度得到了大幅度的提高。通过在ORL人脸库上的实验结果表明,该算法是有效的。     

一种舰船目标一维距离像识别的新方法

提出了一种基于傅里叶-梅林变换和二叉树支持向量机相结合的舰船目标一维距离像识别方法。该方法充分利用了傅里叶-梅林变换具有的时移与尺度不变性和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能。针对多类舰船目标的识别,提出采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量。对4类舰船目标仿真实验的结果表明,该分类方法具有较高的识别性能、较快的识别速度。     

基于二叉树直觉模糊SVM的弹道目标HRRP识别

弹道目标识别是一个多目标识别过程,二叉树支持向量机(BTSVM)是一种针对多类分类有效的分类器。BTSVM结构简单,训练快,但容易出现误差积累。为提高目标识别率,引入并改进了直觉模糊支持向量机,设计了一种基于自适应隶属度函数和直觉指数的多类直觉模糊SVM分类器。对训练集进行直觉模糊化处理得到直觉模糊数据集,用于训练分类器得到二叉树直觉模糊SVM分类器。将此分类器应用于弹道目标HRRP识别,提高了识别的正确率和识别效率,仿真结果表明了此分类器的有效性。     

中红外光谱在润滑油分类识别中的应用

由中红外光谱能够获得不同种类润滑油的组成与结构信息.分别用聚类分析法和主成分分析法提取润滑油的中红外光谱信息,对齿轮油、内燃机油和液压油这3大类共113个润滑油样品进行了分类识别.采用系统聚类法对其进行分类,比较了不同类间距离、样品间距离和光谱区间对聚类分析结果的影响.采用主成分分析法对齿轮油、内燃机油、液压油及不同黏...     

基于贝叶斯网络的反舰导弹身份识别

为了解决反舰导弹身份识别所面临的实时性和信息不确定性问题,提出了采用贝叶斯网络识别反舰导弹的方法。设计了4种贝叶斯网络分类器,分别在导弹仿真数据集和UCI数据集上作了测试,比较了它们各自的分类性能。实验结果表明,朴素贝叶斯网络的分类准确率虽然比其它分类器稍低,但它简单有效,稳健性比其它分类器都好,可用于反舰导弹身份的实时识别。     

非线性分类结合平面变换的雷达信号分选方法

现有的对已知雷达分选方法存在识别速度慢、效率低,脉冲丢失敏感以及脉冲序列提取不完整等问题,为此提出了一种非线性分类器结合平面变换的雷达信号分选方法。该方法首先提取载频、脉宽、脉內调制等单脉冲分类特征,利用非线性分类器实现单脉冲识别,然后根据识别结果调取对应参数,通过平面变换完成对脉冲串的抽取。仿真实验表明,该方法具有速度快,准确率高,易于实现等优点。     

基于PCA-SVM的储运过程故障诊断方法

针对储运过程工艺复杂、监控变量多且故障样本数据相对有限的问题,在介绍主元分析原理和支持向量机方法的基础上,提出了主元分析与支持向量机相结合的储运过程故障诊断方法,建立了提高故障诊断速度和诊断性能的故障诊断模型。首先采用主元分析法进行特征提取实现降维,其次构造新的训练和测试样本集,最后训练支持向量机分类器的故障诊断流程。以数字化油库为仿真实验对象,进行了油料收发过程中的故障诊断实验,验证了所提方法的有效性。     

一种基于DCT和SVM的人脸识别新方法

文中提出了一种新的人脸识别方法,该方法采用DCT提取人脸特征,并采用SVM对该特征进行分类识别。基于该方法,对ORL人脸库进行分类识别,仅用28个特征平均识别率达到97.4%。仿真结果表明,该方法显著地降低了特征维数和计算复杂度,明显提高了特征的可辨别能力,而且,SVM可以有效地提高分类器的分类和推广能力。     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.