Fisher线性分类器在两类化学爆炸声源识别中的应用

对两类问题地面化学爆炸声源实时识别,按Ｆｉｓｈｅｒ准则设计线性分类器,采用理论训练、部分实验修正的方法建立判别函数系数,证明具有较强的分类能力。此外,它结构简单,计算,判别速度快,成本低,占用机时少。     

基于计算智能的分类器的应用

常数规则,一阶线性规则和基于遗传算法的模糊分类器,以及基于遗传算法的神经网络分类器在核爆监测中有着广泛应用前景,它们能为中远程核爆炸探测和核试验核查提供识别智能分类器。尤其是基于遗传算法的模糊分类器,从目前的应用来看其识别效果最好。     

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.     

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AdaBoost-SVM的P2P流量识别方法

针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。     

基于支持向量机的高空无人机侦察目标识别

针对高空无人侦察机遥感图像目标不明显、图像背景复杂等特点,提出了一种基于支持向量机的目标分类方法。将支持向量机应用于高空无人侦察机的遥感图像目标识别,并且对特征值的提取进行深入研究。实验结果表明,特征值输入的多分类器在识别性能上具有很高的识别率,对提高高空无人机的侦察能力具有重要意义。     

舰艇武器布置问题的一种协同优化算法

针对舰艇武器布置问题的特点,提出了一种基于粒子群优化和分类器系统的协同优化算法,以粒子群优化进行优化计算,用分类器系统消除约束.计算实例表明,该算法能较好地实现优化计算,并能节省大量的计算时间.     

基于小波网络的雷达目标识别方法

研究了小波网络的构造问题,提出了一种根据小波的局部时频特性,删除不包含任何目标识别样本数据的小波,初步确定网络隐层节点数的方法;采用本算法构造小波网络,可以减小网络的结构,加快网络的收敛速度.将构造好的小波网络作为雷达目标识别的分类器,获得了较好的识别效果.     

小波网络的雷达目标识别方法

研究了小波网络的构造问题,提出了一种根据小波的局部时频特性,删除不包含任何目标识别样本数据的小波,初步确定网络隐层节点数的方法;采用提出的算法构造小波网络,可以减小网络的结构,加快网络的收敛速度.将构造好的小波网络作为雷达目标识别的分类器,获得了较好的识别效果.     

基于战例数据的制胜要素选择方法

针对战争制胜机理定量研究需求,提出了一种基于混合评估的制胜要素选择算法。针对战例数据特点,该算法选择两种过滤方法分别从不同方面对要素全集进行评估排序而后加权得到综合排序结果;将结果作为遗传算法的初始种群,而后以分类精度作为个体适应度函数。选择几种典型的分类器综合比较,筛选出规模较小、性能较好的要素子集。测试结果表明,该算法不仅能有效地减少要素子集规模,还可以进一步提高制胜机理分析模型的准确率和效率。