基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法.利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别.实验结果表明该方法可以获得较高的分类正确率.     

基于神经网络的数字识别技术研究

将图像的像素特征与矩特征结合,构建了神经网络分类器,利用提取的特征向量对分类器进行了训练和测试。将图像二值化,并归一化为16＊16大小,提取了其每个像素点的0、1特征共16＊16—256维,图像的网格特征13维,及Hu矩特征7维,一共276维特征。建立了BP神经网络分类器,分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练,得出了在相同条件下学习率可变BP算法训练时间短,收敛快的结论。建立了PNN神经网络分类器,与BP神经网络分类器性能进行比较,实验结果表明,PNN神经网络分类器性能更好。     

基于区域卷积神经网络的车辆检测方法

为了解决传统车辆检测存在的问题,提高车辆检测的准确度,本文提出将区域卷积神经网络算法应用到车辆检测中。该算法利用图像的颜色层次特征,获取潜在的车辆候选区域;建立卷积神经网络结构,使用车辆样本库进行特征训练,提取候选区域特征;选定正负样本进行SVM分类器训练,采用SVM分类器进行最终的候选区域分类,最后得到车辆信息。本文使用的算法能够检测出图像中的车辆,剔除非车辆区域,有效提高车辆检测的准确性,并且具有一定的实时性。     

基于流形学习降维技术的研究概述

流形学习是近几年发展起来的降维方法,它能够发现非线性高维数据中的内在低维结构,从而实现非线性降维.目前,流形学习已成为机器学习和数据挖掘领域的研究热点问题.本文主要介绍了流形学习的基本思想,综合了几种主要的流形学习算法,分析了其优势和不足.     

基于KNN和LAS的短信文本语义分类研究

KNN算法是文本分类技术中比较常用的算法。但是,当训练集容量较大时,KNN算法分类的效率大大降低。在对中文短信文本的分类时,结合中文短信文本的特点,给出了先由LAS算法进行降维,然后利用KNN算法进行分类的算法。实验结果表明,该算法提高了中文短信文本的分类质量和分类速度。     

一种基于“特征降维”文本复杂网络的特征提取方法

【目的/意义】本文构建一种“特征降维”文本复杂网络进行文本表示,解决传统词同现文本复杂网络处理海 量数据时的维数灾难与语义不足问题,再结合机器学习方法提升文本特征提取效果。【方法/过程】依据共现关系抽 取二级词条,再结合依存句法关系抽取三级词条,构建“特征降维”文本复杂网络,接着利用PCA算法和TOPSIS法 评价网络节点重要性提取反映文本主题的关键词作为文本特征词,实现文本特征提取。【结果/结论】本文以网络新 闻数据为实验对象。实验结果表明,特征降维文本复杂网络能较好地表示中文文本,并且在较好地保留了文本语 义信息的同时有效减少网络节点冗余,结合PCA算法的特征提取方法可以使文本分类性能提高。     

概率估算方法对中文文本特征提取质量的影响

在文本自动分类中,目前有词频和文档频率统计这两种概率估算方法,采用的估算方法恰当与否会直接影响特征抽取的质量与分类的准确度。本文采用K最近邻算法实现中文文本分类器,在中文平衡与非平衡两种训练语料下进行了训练与分类实验,实验数据表明使用非平衡语料语料时,可以采用基于词频的概率估算方法,使用平衡语料语料时,采用基于文档频率的概率估算方法,能够有效地提取高质量的文本特征,从而提高分类的准确度。     

基于流形学习的人体异常行为识别方法

人的每项活动都通过人体行为体现,而对人体的异常行为监控是监控系统主要工作。文章提出视频监控基于流形学习的人体异常行为的智能化识别,研究提出了流形学习的2D2MSD新算法来增强算法的行为分类能力,通过实验验证新算法可提高识别率和鲁棒性,对降维后的数据也能够很好地保留鉴别信息。     

基于SIFT的人脸表情识别

SIFT算法[8]通常用于目标跟踪与检测领域,但近年来同LBP,GABOR等算法一起作为纹理特征提取算法应用于人脸表情特征提取。本文采用SIFT算法对JAFFE表情库中的图像进行特征提取,利用PCA进行降维,采用SVM进行分类,最后得出SIFT算法的识别率并和其它特征提取算法如LBP,GABOR进行比较。     

一种基于改进的无监督深度学习自编码方法

针对传统的Auto Encoder方法在全局特征提取上的高性能以及在图像识别上的重要性,本文提出了一种基于无监督局部深度特征学习的改进方法。首先对训练图像进行局部分块处理,其次采用Auto Encoder方法设计自编码网络进行深度训练,并使用费舍尔向量结合空间金字塔匹配算法进行特征提取,最后通过线性SVM分类器来提高图像识别的准确率。实验结果表明:在MNIST数据集上,本文改进方法运算速度更快,更节约内存,同时具有更低的错误率。与传统方法相比,本文改进方法具有更好的准确性,鲁棒性。