汉语方言的集成决策辨识

针对方言辨识系统分类决策能力较弱的问题,提出一种基于集成学习的方言辨识方法。该方法将高斯模型与语言模型组成的系统作为一组基分类器,然后根据这组基分类器所得分类结果的加权组合来决定方言语音所属类别。实验结果表明,新的集成决策分类方法不仅可以大大提高系统的辨识精度,而且有效地解决训练样本数目和模型参数之间的矛盾。     

中心、方差及权值直接确定的RBF神经网络分类器

模式分类是径向基函数(RBF)神经网络应用的一个重要方面,目前大多数RBF网络都采用迭代学习的方法.区别于反复迭代训练而得到网络参数的惯常做法,重新探讨一种基于矩阵伪逆或逆的中心、方差及权值可直接确定的方法.并基于此方法构建一种模式识别分类器,对IRIS分类问题进行计算机仿真验证.结果表明,相对于迭代法,该直接确定方法具有更快的计算速度,构建的RBF神经网络分类器也具有良好的分类性能.     

集成学习算法在不平衡分类中的应用研究

提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成.在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判.实验结果验证集成学习算法处理不平衡分类问题的有效性.     

一种改进的支持向量机集成分类算法

为了更好地改进集成分类器的性能,提出了一种基于反馈学习的支持向量机Bagging集成分类算法.该算法在对子分类器的训练中,引入反馈学习的思想,首先对每个训练得到的子分类器进行测试,找到被错分的样本,把这些样本添加到训练样本集中,重新进行训练、测试,直到没有新的被错分的样本出现为止,最后采用多数投票策略对得到的各子分类器进行组合.仿真实验结果表明,该算法可通过提高各分类器的分类能力改进集成学习器的性能.     

基于改进模糊聚类的烟草品质集成评价模型

针对烟草化学成分与烟草品质之间难以建立确定的数学模型的问题,提出了一种基于改进模糊聚类的烟草品质评价方法。该方法以烟叶样品的化学成分的差异性为依据,以模型分类结果与专家评吸结果的一致性为目标,利用模拟退火算法对现有的模糊聚类算法进行优化改进,建立基分类器;在此基础上,利用Ada Boost将基分类器对于不同样本集的多个分类结果进行集成,形成最终的烟草品质评价模型。以130组烟叶作为烟草样本,测定了各烟叶样品中总糖、还原糖、总氮、烟碱、氧化钾、氯离子、蛋白质7种化学成分含量,并采用改进的模糊聚类方法与神经网络算法、模糊聚类算法进行对比试验,该方法的误检率为6.7%,具有提升小样本数据的辨识能力,优于所比较的其他2种方法。     

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合，以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区，利用国产高分2号(GF-2)数据和野外调查数据，基于提取的遥感识别特征制定不同分类方案，采用马氏距离(MsDC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类，然后选择基分类器，并应用多数投票法和保守投票法2种多分类器集成算法，对研究区农作物进行精细分类提取。【结果】(1)辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。(2)基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。(3)相比基分类器，多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法，OA为85.89%,Kappa系数为0.80。(4)集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等，达到94.94%外，其他的农作物如...     

双向联想记忆集成

由多个尽可能多样化的分类器(前馈神经网络)组成的多分类器系统(MCS)能够显著地提高单个分类器的分类或推广能力.受MCS基本思想的启发,将集成引入到双向联想记忆快速学习(QLBAM)中,构建出一个BAM集成,旨在提高存储容量和纠错性能的同时,不破坏每个成员BAM的简单结构.计算机仿真表明,选择合适的"过剩生产与挑选并存"策略,即"稀疏算法"后,所提出的BAM集成在存储容量和抗噪声性能两个方面都显著优于单个QLBAM.     

基于Stacking集成学习的马兜铃酸及其类似物鉴别

以中草药中所含成分马兜铃酸及其类似物为研究对象,针对传统中药鉴定存在的主观性强、操作复杂等不足以及单一机器学习模型鉴别精度不高的问题,提出多模型融合的Stacking集成学习分类模型,用来实现马兜铃酸及其类似物的鉴别.采集马兜铃酸、1,10-菲咯啉-4,7-二甲酸、菲醌、β-谷甾醇4种样品的近红外光谱数据,对其进行数据预处理与主成分分析降维,基于降维后的数据特征,通过遍历搜索策略构建了以随机森林、支持向量机、朴素贝叶斯为基分类器,随机森林为元分类器的Stacking集成学习分类模型.结果表明,Stacking集成学习分类模型具有最佳表现性能,鉴别正确率最高达到99.38％,比K最近邻、决策树、随机森林、支持向量机、朴素贝叶斯分类模型的平均鉴别正确率高8.23个百分点,并且在精确率、召回率、综合评价指标(F1值)方面有优异表现.综上可见,本研究提出的Stacking集成学习分类模型能够快速有效地鉴别马兜铃酸及其类似物.     

基于集成神经网络的植物叶片识别方法

针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。     

基于可信多数投票的快速概念漂移检测

数据流因具有数据持续到达，概念漂移产生时刻无法预测、概念的数量不确定等特征，使得滑动窗口的大小很难事先确定，滑动窗口包含概念的数量对概念漂移检测存在影响.本文提出了基于可信多数投票的快速概念漂移检测算法（CMV_SEA），该算法使用SEA算法中的基分类器淘汰方法，使用可信多数投票实现滑动窗口中基分类器的集成.仿真实验表明：相比于SEA算法，CMV_SEA算法提高了泛化能力；能在新概念产生的第一时间内检测到概念漂移；对概念漂移的检测能力和新概念的学习能力不受滑动窗口大小的影响.     

基于特征选择集成学习的果蝇求偶行为识别

设计一个机器学习分类算法,实现对果蝇求偶行为的自动识别.在对图片规范化的基础上,提取图像局部二元模式统计特征与沃尔什特征获得果蝇求偶图像纹理几何特征.通过基于特征选择的集成学习来构建一个强分类器,实现对果蝇求偶行为的检测;采用十折交叉验证的方法进行验证,检测结果优于传统的图像处理分割算法.基于特征选择快速选择性集成,效率高于传统集成方法,基于特征选择集成学习识别昆虫的复杂纹理是可行的.通过机器学习方法来识别果蝇行为谱可以实现大规模的行为筛查,这将有助于基因和神经回路控制行为的研究.     

应用U-Net模型和多时相Landsat-8影像对森林植被的分类

为了探讨深度学习全卷积神经网络模型(U-Net)在多时相Landsat-8影像上的森林植被分类效果,以黑龙江孟家岗林场为研究区,采用多时相的Landsat-8影像为数据源,根据各森林类别多时相的光谱曲线确定分类的最佳时相,并对优化后的U-Net模型进行训练并验证.同时,进一步构建多时相植被指数特征,训练分类模型并对森林植被进行分类,比较优化后的U-Net分类方法和最大似然分类法的分类精度.结果表明:加入多时相植被指数的U-Net模型分类精度为83.5％,比单一时相分类精度高6.1％;优化后的U-Net模型分类方法精度明显高于最大似然分类方法,说明加入多时相植被指数的U-Net模型分类方法可以有效的提高森林分类精度.     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

基于多分类器组合的遥感土地利用分类研究

为了从遥感影像中快速、高效地获取较高精度的数据,按照分类组合的思想,根据山西省太原市榆次区Landsat TM影像数据,将传统监督分类中分类性能较好的分类器作为基分类器,运用改进后的加权投票算法进行多分类器组合,用于研究区遥感影像土地利用/覆被数据分类.结果表明,多分类器组合的分类结果精度要高于单独的基分类器分类精度,两两分类器组合的分类精度要高于三分类器组合的精度.研究结果证实了多分类器组合的可行性和有效性,能够提高传统分类方法的分类精度.     

基于Landsat8遥感影像的合肥市土地利用分类

基于Landsat8卫星2013年9月获取的合肥市OLI多光谱数据,在经过校正以及波段的融合等处理后得到的数据作为研究数据,采用不同分类方法进行分类识别,并且对比不同分类器在遥感影像分类中的效果和分类精度。根据国家土地利用现状分类的标准和合肥市土地利用的现状,将合肥市的土地主要分为建设用地、交通用地、水体、绿化用地、农业用地、林地等6类,并采用5种常见监督分类方法和BP神经网络分类法对于本研究数据进行分类,结合实际用地情况对分类结果进行了总结分析,完成总体分类精度和Kappa系数等指标对各分类器精度的评价,对比了各分类器对各要素的分类精度。     

基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用

针对压力传感器存在温度漂移的问题,提出了一种基于蚁群算法的RBF神经网络优化算法。首先根据压力传感器测量电路得到电压U_b与电流I的关系,因其存在很大的温度误差,须要采用适当的补偿方法对外界温度造成的误差加以修正。然后通过压力传感器输出电压U与温度T、压强P、电源波动γ的关系建立压力传感器温度补偿模型,分别在18.4、32.5、41.8、65.6℃共4个温度点进行试验数据采集并对试验结果进行归一化处理。最后利用蚁群算法进行寻优和自适应调整发挥系数的特点作为聚类算法确定RBF神经网络基函数中心,选取BP算法、RBF算法、基于蚁群的RBF算法3种方法对压力传感器进行非线性温度补偿仿真试验。结果表明:基于蚁群算法的RBF神经网络模型补偿精度最高,收敛速度最快。将此研究应用于冲量式谷物流量传感器中,可大大提高传感器的稳定性和准确性。     

基于ACO-SVM的粮虫特征提取研究(英文)

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

基于ACO-SVM的粮虫特征提取研究

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

基于Bag of Words的干果图像分类研究

针对干果图像信息量大、分类精度低和耗时多的特点,提出利用Bag of Words模型提取图片的代表特征,并采用朴素贝叶斯分类器指导特征矩阵分类。结果表明,图像分类精度能达到80%,分类处理时间约为2 s。通过增加学习样本来进一步提高分类精度,将Bag of Words应用于干果图像识别和分类是可行的。     

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。