基于深度卷积神经网络的指纹纹型分类算法

传统指纹纹型分类算法的准确率直接受到相应特征提取算法的影响.在海量指纹库中,同类纹型指纹形态变化明显增大,不同类纹型界限变得模糊,仅通过人工定义的特征进行分类很难适应全部指纹数据.为解除纹型分类问题与人工定义的特征提取问题的耦合,提出一种直接在指纹原图上进行纹型识别的算法.利用卷积神经网络自动特征提取的能力从大量指纹数据中学习得到纹型特征,并通过对训练数据的设计使网络能够适应指纹的多样性,提升算法的鲁棒性.此外,多尺度网络模型平均方法使分类准确性得到进一步提升.在国际公开指纹数据集NIST DB4上测得纹型四分类准确率达94.2%.     

基于卷积注意力和胶囊网络的SAR少样本目标识别方法

合成孔径雷达(SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

网络信息的分类

网络信息浩如烟海,分类五花八门,依据传统文献信息分类法的科学性和系统性对其进行分类非常重要。本文就网络信息分类特点及其信息分类中存在的问题进行探讨,对建设统一的网络信息分类体系提出了自己的看法。     

基于注意力生成对抗网络的图像强光去除

图像中的强光在一定程度上会降低图像的质量,本文致力于从受到强光影响的图像中去除强光并生成清晰图像。为解决这个问题,提出一种带有注意力辅助模块的生成对抗网络。它主要由加入压缩-激励模块的卷积长短期记忆网络和注意力矩阵辅助模块组成,注意力辅助模块可以指导自动编码器生成清晰的图像。该方法可以轻松地移植处理其他类似的图像恢复问题。实验证明,改进后的网络体系结构是有效的并且有一定的意义。     

基于雨林框架的朴素贝叶斯分类算法

出了一种可伸缩的朴素贝叶斯分类算法。算法针对大数据集的训练数据,通过构建雨林框架,能在有限主存里存储训练数据,训练生成概率矩阵,进而对测试样本进行分类。算法仅对整库一次扫描。实验表明,该算法能够获得与整库读入主存相同的分类准确率．并且有较高的处理效率。     

基于改进一对一算法的网络流量分类

准确的流量分类是网络管理和网络安全的有效保障。近年来基于机器学习的网络流量分类备受关注,特征选择对于机器学习的分类效果有重要影响。但使整体分类性能达到最优的特征选择子集,并不一定使特定类别的分类性能达到最佳,这降低了分类性能可达到的上限,对此提出基于改进的一对一算法的流量分类模型。首先采用一对一的思想将流量多分类任务拆解为多个相互独立的二分类子任务,分别对任意两类流量进行特征选择和流量分类。所有子任务的分类结果采用Stacking策略结合。实验表明,多种机器学习算法与特征选择算法应用于该模型的准确度较经典模型均有提升。     

车辆网络中基于网络编码机会的调度算法

证明在车辆网络中应用网络编码,其广播容量最大化问题是NP难的;提出一种基于最大编码机会的优化调度算法. 该算法结合网络编码与车辆缓存提供的编码机会,有效提高了广播容量. 结果表明,与贪婪算法相比,该算法获得更大网络编码增益,保证了一定的传输公平性.     

基于模型分类算法的针刺神经电信号的统计分析

针对动作电位叠加所产生的波形变异问题,在小波聚类算法的基础上,采用一种基于模型的优化算法.该算法极大地降低了动作电位的漏检率,使分类结果更加准确可靠.同时,基于该优化分类方法,文章对不同手法针刺条件下神经元放电事件进行统计分析,结果发现:针刺补法和针刺泻法条件下神经元响应活动具有明显的差异性,且该差异性主要体现在针刺补...     

不同残差网络模型的HEp-2细胞荧光图像分类比较

对人的喉癌上皮细胞（HEp-2）进行准确的荧光细胞图像分类,对识别、诊断以及后续治疗起着关键的作用,同时用HEp-2细胞鉴定抗核抗体（ANA）也是判别自身免疫病的常用方法之一。以计算机视觉为基础的HEp-2细胞分类和抗核抗体分析,有助于降低专家的工作量,加强疾病检测技术的准确性和快速性。文章提出了基于深层次残差网络的HEp-2细胞分类研究,并利用不同残差模型进行实验和比较。实验表明,该方法可有效地对HEp-2细胞进行分类。     

基于网络环境的计算机课程分类分级教学改革与研究

基于网络环境的计算机课程分类分级教学改革与研究是北京体育大学教学改革的一部分。通过问卷的形式从学生入学前是否学习过计算机知识及知识的掌握程度、渴望学习哪些课程、学校的网络环境等方面进行调查,得出计算机课程必须分级教学的结论,并提出了基于网络环境计算机课程分类分级教学的具体方法。通过两个实验班的对比,验证了分级教学的效果。     

基于卷积神经网络与主动学习的高光谱图像分类

在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。     

基于图像分割和EM算法的PolSAR地物分类方法

在极化合成孔径雷达(PolSAR)地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络(low-rank-reconstruction-net, LRR-Net),应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。     

基于混合神经网络的多波束图像底质分类

为快速辨别海底底质类型和海底目标,在分析Kohonen自组织特征映射网络（Self Organizing Feature Map, SOFM）和学习向量量化（Learning Vector Quantization, LVQ）算法的基础上,提出一种SOFM算法与改进的LVQ算法相结合的混合神经网络分类方法.利用这种分类方法,对预处理后的多波束测深系统获取的反向散射强度数据进行训练分类.通过对在实验区域提取的检测样本的分类结果进行比较分析,表明该方法是可行、有效的,而且在底质类型特征相近的情况下,具有较好的分类效果.     

基于CFS-GA特征选择算法的中文网页自动分类

为在中文网页分类时降低特征向量的维度、提高分类的精度,采用一种基于关联的特征选择(Correlation-based Feature Selection,CFS)与遗传算法(Genetic Algorithm,GA)相结合的方法进行特征选择.在该算法中,特征子集被当作GA中的一个染色体进行二进制编码;利用CFS启发值作为GA的适应度函数对个体进行评价;CFS值越大的个体遗传到下一代的概率越大.结合GA的全局搜索特性,该算法可保证所得特征子集是全局最优的.利用weka平台,对搜狗实验室提供的中文网页数据集进行实验.结果表明,该算法能有效降低特征空间的维度、提高分类精度。     

基于核函数原型和自适应遗传算法的 SVM模型选择方法

针对现有SVM模型选择方法中人为指定核函数类型导致SVM模型性能难以达到最优的问题,提出了核函数原型的概念,并在此基础上提出一种基于核函数原型和自适应遗传算法的SVM模型选择方法. 该方法针对具体问题选择最优的核函数,有效地提高了SVM模型的性能;同时该方法通过动态调整遗传算法的控制参数,提高了SVM模型选择方法的稳定性. 在5个标准SVM数据集和遥感图像上的实验证明了该方法的有效性和稳定性.     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

基于复杂网络理论的担保网络风险传播模式

担保作为企业获取贷款的一种方式,扮演着重要的角色,但也隐藏着巨大的风险.本文基于企业间担保关系构建担保网络,利用复杂网络相关理论对担保网络进行基本指标测度,并基于SI模型提出担保网络的风险传播模式,给出衡量担保网络抵御风险能力的稳态风险密度和风险传播速度的定义.利用某金融机构的真实数据对模型进行了验证,发现网络的拓扑结构决定网络抵御风险的能力,不同的风险传染源对风险的传播速度和范围影响不同.这也启示银行在发放贷款前,除做好对企业的征信工作外,还需要考虑可能会对整个担保网络造成的影响.