kNN算法在手机短信客户端分类中的应用研究

研究并实现了kNN算法的手机短信客户端分类系统,从自建的短信语料库中提取到正常短信和垃圾短信两个特征向量集,通过预处理、降维和去除词频过小的特征项,使特征向量集可最大程度的载有该类短信的特征项。短信语料库分成比对库和测试库两部分。研究发现,比对库的短信数量n取600时分类效果最好,过小则降低短信的识别率,过大则提升分类时间复杂度,近邻数k取25时效果最优。同时研究了当k条短信选取时的概率差在1%~2%时,短信类别确定时的数量差在5到15之间时,效果最优。遵循保证正常短信的通过率的同时加大垃圾短信识别率的原则,kNN算法手机短信客户端分类系统的最终参数n取600,k取25,概率差取1.5%,数量差取9,可使得正常短信和垃圾短信识别率最高达到97.3%和89%。     

多特征加权融合算法的生活垃圾图像分类研究

为改善我国现有的垃圾问题,实现准确且高效的垃圾分类工作,提出一种基于多特征加权融合的生活垃圾图像分类算法。该算法利用ResNet网络为主干网络,利用多分支网络结构提取图像不同层次的特征信息再进行加权融合,并进行了自适应权重融合实验和固定权重融合实验。实验结果表明,自适应实验组的分类准确率为97.29%;进行固定权重融合实验,发现全部平均系数下模型的生活垃圾图像分类准确率为97.42%;对比不同算法模型下分类的准确率大小,得到此次研究提出模型的分类准确率为97.52%。说明所提出的算法模型能够较好地识别各种生活垃圾图像,并对垃圾图像进行高效分类。     

“垃圾短信”监控的中文多模式模糊匹配算法

针对“垃圾短信”中有害关键字的4种常见伪装方法,提出了“垃圾短信”监控的中文多模式模糊匹配算法.首先进行关键字和检测短信的模糊化预处理,然后运用WM算法进行中文信息的初步匹配,最后进行多模式匹配.实验证明,该算法在执行效率等方面均优于原有系统中的算法.     

基于用户分类的协同过滤算法在图书推荐中的研究

随着高校图书馆大数据时代的到来,读者有时很难找到自己喜欢的图书,会造成图书资源的浪费。针对这种情况,本文研究了基于用户分类的协同过滤算法在高校图书推荐中的应用,其中涉及读者分类、用户-项目评分矩阵的建立、向量空间模型的构建以及用户间相似度的计算,并考虑了高校图书和读者的特点,对用户-项目评分矩阵进行了改进,缓解了数据稀疏问题。研究结果表明,基于用户分类的协同过滤算法比传统的协同过滤算法计算复杂度低,在一定程度上优于传统的协同过滤算法。     

基于信息粒度的主题相似性信息检索

主题相似性计算是信息检索、文本分类等领域内的一个研究热点.基于信息粒度原理,内容主题识别和事件主题识别是在不同粒度世界进行的识别计算.本研究将传统的内容主题识别算法与基于TDT的事件主题识别算法相结合,提出1种新的主题相似性计算模型,即先进行内容主题识别,再进行事件主题识别.试验结果表明:该模型具有良好的分类效果.     

基于L-M神经网络的储粮害虫分类识别

基于图像处理的储粮害虫检测过程中,需要解决多种害虫多特征、混合度大的综合分类问题.本文提出采用基于L-M算法的多层前馈神经网络对害虫进行分类识别.实验表明,该神经网络和害虫分类识别系统拟和程度很高,并且采用的L-M算法,在网络训练速度及识别精度方面,都优于传统的BP算法.因此基于L-M算法的神经网络在害虫的在线识别方面有应用价值.     

基于改进协同表示的二级分类人脸识别方法

基于协同表示分类(CRC)算法在实际应用中的效果,考虑到样本局部相似性先验信息对分类识别的不同贡献,构建加权矩阵,并嵌入到CRC中,称为加权CRC.为进一步改善人脸识别的性能,设计了如下算法:一种将加权CRC重复两次;另一种则将其与线性表示分类(LRC)结合.两种方法的共同特点为:首先基于主成分分析(PCA)对所有图像样本进行降维,以降低计算的复杂度;其次都是在第一阶段的加权CRC中根据重构残差排序保留相关性较大的训练样本用于下一阶段的分类识别.这种缩小分类目标的做法,使识别更精确.在ORL,FERET及AR人脸数据库上通过仿真验证了本文所提方法的有效性.     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率，弥补单子空间特征提取的局限性，提出了基于双子空间特征提取的变压器故障分层诊断模型.首先，将DGA测试样本在一个子空间内进行特征提取后，为避免核函数及其参数的选择难题，以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点，采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本，对易分类样本直接进行分类识别；对难分类样本则将该样本再次投影到另一子空间进行特征提取后，同样采用MKSVM作为分类器对难分类样本进行预测，综合两次预测结果进行分类识别，实现两分类MKSVM的双子空间特征提取算法.最后，根据故障特征，建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明，该模型具有较高的诊断正确率和推广能力.     

一种弱监督细粒度深度网络的木材分类方法

针对使用木材的微观结构对木材树种进行识别分类,提出一种新的基于细粒度图像识别的深度卷积神经网络自动分类算法,在阐述Navigator Teacher Scrutinizer Network算法的基础上,首先,利用分段线性激活函数对特征的存在程度和缺失程度的选择能力进行改进,在改进后的特征选择模型算法中搜寻最优α参数;其次,在改进后的算法中加入一个全局K-max池化层并应用在木材分类中,获得最佳的分类结果.实验结果表明,相比于原始NTS神经网络,本文所提算法能够更准确地实现数据分类,该模型的实验准确率为88.36%,准确率高,实用性强,可以提高木材树种分类精度,为木材树种快速分类提供参考.     

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.