一种人脸图像识别算法的研究

针对人脸图像识别精度不高的缺点,本文将改进的Gabor,DLDA和最小二乘向量机进行融合了一种新的算法。在该算法中,首先通过Gabor中引入支持向量的字典学习算法,提高人脸信息,其次在DLDA中采用降低同类中距离偏大的样本之间的类内距离,去除了无用的样本,最后通过最小二乘向量机筛选出优良的样本。在仿真实验中与其他人脸识别算法进行对比,取得了比较好的识别效果。     

基于2DPCA和Fisher的嵌入式人脸识别系统的实现

使用人脸类Haar特征进行人脸检测,采用2DPCA与Fisher结合的降维算法得到人脸特征子空间,将经过PC机得到的样本特征子空间文件通过网络传输到嵌入式平台,结合最近邻算法识别人脸,实现了一种嵌入式人脸识别系统,较好地解决了嵌入式人脸识别系统由于图像处理数据巨大而造成处理效率低的难点。基于EELiod270嵌入式开发平台实现了该系统,结合实际图片进行了人脸识别测试,实践结果表明系统效果良好。     

基于小波和PCA的人脸识别系统的研究与实现

人脸识别技术是人脸识别系统以人脸图像作为识别身份的媒介。主成分分析(Principal Components Analysis)~[1-2]即是人脸识别算法中一种常用的方法,算法寻求的是能最大程度代表原始信息的特征信息。理解了算法的原理,基于平台实现了人脸识别系统。该系统首先对图像进行预处理,预处理的目的是为了减弱光照、噪声等非线性因素的干扰,再以人脸库中的部分图像为训练样本,采用算法计算训练样本得到特征脸向量,然后用工具箱~[3]中的函数对训练样本进行训练得到模型,通过训练出来的模型用部分测试样本进行预测,最后分类识别得出结果。实验证明,该系统识别率较高,具有一定的参考和研究价值。     

基于数字图像处理的人眼定位算法的研究

一般的人脸识别系统主要包括图像与处理、人脸定位、特征提取、样本学习和识别过程四部分,其中人脸定位和特征提取的好坏直接影响到识别效果,文章研究的是特征提取方法中人眼定位算法,该算法利用Vusya1 C++编写程序,在人脸粗定位的基础上进行,缩小了搜索范围,实现人眼定位.     

基于SVM的人脸识别系统的研究

该文使用PCA来提取人脸的特征,克服了K-L算法计算量大,计算耗时长的缺点。实验表明该算法减少了特征提取时间。然后运用SVM来进行人脸识别。将两类分类问题的识别策略应用到多类分类问题,以ORL人脸库做的实验中得到了很好的识别效果     

基于PCA和神经网络的人脸识别算法研究

在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。     

核模糊C均值算法的类别间可分性优化

随着的计算能力的不断提高和计算机体系结构的可编程性,将向着多核,众核的异质形核的方向继续发展。针对这一问题,本文对KFCM算法的类别间可分性优化进行了分析,通过对于FCM算法的数据集C划分、FCM算法和HCM算法的理论知识,解释了KFCM算法,对于样本的特征进行优化,将高维特征空间内的数据映射到内核函数中,将样本的有益特征扩大,到达快而准的聚类效果。经过仿真测试显示,KFCM算法模型聚类效果可以准确区分二者。     

人脸识别技术的社会风险及其法律规制

人脸识别技术是以人工智能算法为技术支持，以大数据分析为手段，进而实现人脸识别的目的。根据算法的不同，有基于2D识别算法和3D识别算法的人脸识别技术系统。但不管基于何种算法，均面临欺骗攻击、技术利维坦及责任风险等社会风险。欺骗攻击包括2D欺骗攻击和3D欺骗攻击；人脸识别技术利维坦是集人工智能“赛维坦”和大数据“数字利维坦”于一身的复合型技术利维坦；责任风险表现为现有的过错责任原则无法有效地对人脸识别技术带来的责任规则进行划分。为防范人脸识别技术的社会风险，除需对该技术进行深度研发外，更需要从该技术系统的应用端出发，对该技术使用的范围、手段和目的进行规制。     

一种基于KPCA和LDA的人脸识别融合算法

针对核主成分分析法KPCA和线性鉴别分析法LDA分别单独运用于人脸识别过程中的识别率不高的特点,提出一种将两者融合的算法——KFD算法。使用KPCA方法进行样本分类并降低特征维数,在KPCA变换空间中用LDA方法进行次级特征抽取,将KPCA、LDA和KFD方法分别应用于ORL人脸库,比较实验数据,结果表明KFD方法的识别效果明显优于KPCA与LDA单独使用的情况,验证了KFD方法的有效性。     

一种抽取多数类边界样本的入侵检测算法

针对传统网络入侵检测方法在实时性响应和入侵行为识别率上存在的不足,本文提出了一种抽取多数类边界样本的入侵检测算法。该算法首先根据中心距离确定网络链接行为中多数类样本的边界样本,然后将多数类样本的边界样本与少数类样本合并构成新的训练集合,最后进行分类学习。该算法有效地降低了类别之间的不平衡度和减少了训练样本数目,具有更好的入侵检测性能。在KDD CUP 99数据集上的仿真实验,充分验证了该算法的有效性。     

基于高斯核的KSOFM聚类算法研究

文章提出了一种基于高斯核的KSOFM聚类算法,通过核函数将输入空间中的样本映射到高维特征空间中,并在特征空间中进行聚类。核函数的应用使得在原空间中未曾体现的信息得以展现并被聚类算法所运用,使得聚类算法在性能上有较高的提升。     

体育运动视频图像基于聚类提取算法的研究

针对在同一场景下获取的体育运动视频序列,提出了一种基于累积帧差交集聚类提取运动员对象的算法。首先进行预处理,然后通过采取将两类帧差结果交集聚类的方法,并用中值滤波和形态学方法提取处理差值图像,得到运动前景对象。实验结果表明,该算法计算量较小、复杂度较低、实时性较高,能够获得较好的分割效果。     

基于优化初始聚类中心的K-means聚类算法

针对传统的K-means算法运行的结果依赖于初始的聚类数目和聚类中心,本文提出了一种基于优化初始聚类中心的K-means算法。该算法通过量化样本间距离和聚类的紧密性来确定聚类数目K值;根据数据集的分布特征来选取相距较远的数据作为初始聚类中心,避免了传统K-means算法的聚类数目和聚类中心的随机选取。UCI机器学习数据库数据集的实验证明,本文所提出的改进的聚类算法获得了良好的聚类效果,同时获得较高的聚类准确率。     

非平衡样本集下的PPP可融资性评价研究——基于Borderline-SMOTE Bagging方法

可融资性难问题持续制约PPP健康发展,社会资本往往从项目本身和地方政府两个维度评价PPP项目可融资性。通过综合比较主流样本合成算法在合成样本的精细度以及分类器算法对非平衡样本集少数类样本识别能力,针对CPPPC库中PPP案例样本数据非平衡性及高噪声异质性,提出Borderline-SMOTE Bagging算法,对四组PPP项目进行可融资性评价。研究结果表明：基于数据挖掘算法对PPP可融资性进行评价具备可行性;针对PPP非平衡数据集问题,Borderline-SMOTE Bagging算法具备良好的样本分类能力和优秀的泛化能力,能有效降低因合成样本形成的噪音所带来的负面影响,且具备良好的少数类样本识别能力。     

一种新的正交保局投影人脸识别方法

针对人脸识别中判别特征的提取问题,提出了一种新的人脸识别算法—Schur正交保局投影(Schur-OLPP)。该方法在保局投影(LPP)的基础上引入Schur分解,求取最佳正交投影矩阵,充分提取样本的判别特征。本文采用最小近邻分类器估算识别率。在Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、时间变化的情况下,Schur-OLPP都具有较好的识别率。     

基于SMOTE-LOF-Adaboost模型的核心专利识别研究

针对核心专利识别准确率低的问题，重构指标体系；针对传统核心专利识别方法处理不平衡数据效果欠佳，提出重采样技术与集成算法的组合模型。首先，在传统指标构建基础上加入专利发明人相关指标；其次，使用合成少数类过采样算法(SMOTE)增加少数类样本解决数据不平衡问题，采用局部离群因子(LOF)算法对新生成样本进行降噪处理，并与自适应集成算法(Adaboost)组合成SMOTE-LOF-Adaboost模型；最后，以智慧芽专利数据库中2012—2016年共22077条光伏领域专利数据为例，使用SVM、Adaboost、SMOTE-Adaboost、SMOTE-LOFAdaboost进行实证分析。结果显示SMOTE-LOF-Adaboost模型AUC均值0.977 6,Recall均值0.986 0，均优于其他3种模型，表明该模型能够提高核心专利预测的准确性。     

基于SMOTE不平衡扩充采样算法的改进

针对不平衡数据集少类样本分类精度低的现象,本文提出了一种新的不平衡数据扩充采样算法。改进算法通过距离度量,在少类样本中心与其近邻间进行随机线性插值,使数据平衡。改进算法与SMOTE算法、C＿SMOTE算法分别对5个不平衡数据集进行扩充分类对比实验,基于AUC、OOB、F值与G值评价指标及成对样本T检验,证明改进算法能有效缓解类不平衡,并具有更优异的不平衡数据处理性能。     

人脸识别技术应用于侦查情报分析的偏差控制

[研究目的]人脸识别技术的大规模运用深刻改变侦查情报分析的样态,深入分析人脸识别技术应用于侦查情报分析的技术路径和偏差问题,为制定科学适宜的技术规制路线提供决策支持。[研究方法]采用文献分析和案例分析相结合的方法,选取典型的人脸识别技术产品为研究样本,结合侦查实践分析人脸识别技术应用于侦查情报分析的技术缺陷、算法偏见和法律规制缺失等问题。[研究结论]侦查机关运用人脸识别技术应事前开展技术风险评估,建立专业培训、内部监督和事项公开等管理制度,设计层次化的应用审查批准程序,适时出台统一的新型侦查技术应用法律规范。     

基于邻近样本类别判断的不平衡数据分类算法

数据类间分布不均衡是不平衡数据集分类效果不好的主要原因,为了克服类间分布的不均衡,本文提出了一种基于邻近样本类别判断的不平衡数据分类算法。首先,对待判定样本,计算它的k个最邻近样本,然后将待判定样本的类别指派到它的k个最邻近中的多数类。由于本文所提出的不平衡数据分类算法在类别决策时,只考虑少量的邻近样本的类别,而不是考虑所有的训练样本,因此可以较好地克服类间不平衡对少数类分类结果的影响。在客户流失数据集上的仿真实验充分证明了本文算法能较好地处理不平衡数据分类问题。     

基于k-means聚类的快速LDA算法在语音识别上的应用

线性判别分析（LDA）具有很好的分类性能,但是计算复杂度一般较高。为了有效地降低LDA算法的计算复杂度,本文提出了一种基于k-means聚类的快速学习算法。该算法首先根据k-means聚类算法对原始样本进行聚类,计算聚类簇的样本中心作为新训练样本,然后再利用LDA算法进行分类。由于通过聚类算法有效地压缩了训练样本集的规模,因此算法具有更高的效率。在语音识别数据集上的实验充分验证了本文算法具有较好的分类性能,而且效率更高。