模式分类

摘要： 随着技术水平的发展和研究的不断深入,在模式分类问题中需要处理的信息往往存在有大量的不确定性。证据理论作为处理不确定性一大强有力的工具,将其应用于模式分类能够有效提高分类器分析、表达以及处理不确定性数据的能力。对此,文中开展了证据理论在模式分类中应用的研究综述,在对模式分类、证据理论的基本原理进行概述的基础上,重点围绕单分类器设计和多分类器集成两个角度,系统梳理了证据理论在模式分类中的研究现状,并从不同分类特性的角度出发比较了各阶段方法的优缺点,旨在为相关研究人员提供借鉴和参考。

摘要： 卷积神经网络分类框架广泛使用了基于Softmax函数的交叉熵损失(Softmax损失函数),在很多领域中都取得了良好的性能.但是由于Softmax损失函数并不鼓励增大类内紧凑性和类间分离性,在一些多分类问题中,卷积神经网络学习到的判别性嵌入表示的性能难以进一步提高.为了增强嵌入表示的判别性,提出了一种基于余弦相似性的Softmax(cosine similarity-based Softmax,CS-Softmax)损失函数.CS-Softmax损失函数在不改变神经网络结构的条件下,分别计算嵌入表示与分类全连接层权重的正相似性和负相似性,以实现同类紧凑和异类分离的训练目标.理论分析表明:边距因子、尺度因子、权重更新因子等参数的引入,可以调节各类别决策边距的大小,增大类内紧凑性、类间分离性,增强学习到的嵌入表示的判别性.在典型的音频、图像数据集上的仿真实验结果表明:CS-Softmax损失函数在不增加计算复杂度的同时,可以有效提升多分类任务性能,在MNIST,CIFAR10,CIFAR100图像分类任务中分别取得了99.81%,95.46%,76.46%的分类精度.

摘要： 针对发动机转子系统的振动信号分析问题,提出了一种基于改进马田系统的故障模式识别和分类方法。利用最优阈值小波包变换方法对振动信号进行降噪;对降噪后的振动信号进行小波包分解,提取时频域特征构建基准空间;然后利用岭估计回归分析消除马氏距离的复共线性,使用切比雪夫定理计算马田系统的概率阈值,运用有向非循环图方法对不同模式进行分类;将方法应用于转子振动数据中以验证算法的有效性。结果表明,基于改进的马田系统算法模式识别准确率高,是一种有效的振动信号故障模式分类方法。

摘要： 基于局部均值的KNN分类(LMKNN)算法使用了局部均值点来反映样本间的相似性,可以提高分类的正确率。但局部均值点对于分类却依然具有相同的权重,然而不同近邻点应当具有不同的权重。近质心近邻分类(K-Nearest Centroid Neighbor Classifier,KNCN)算法中近质心近邻可以反映样本的几何分布信息,但基于简单的最大投票原则也导致近邻点具有相同权重。故提出了基于局部多均值的K-近质心近邻分类(The Multi-Local Means-Based K-Nearest Centroid Neighbor Classifier,LMRKNCN)算法,为了验证该算法的分类有效性,选取较新的四种对比算法在真实数据集上进行实验比较,结果表明LMRKNCN的分类性能优于其他对比算法。

摘要： 随着我国教育体制的不断改革,高校在优化教学质量完善教学体系的过程中,更加注重产学研协同创新模式的发展和提高。为完成和各行业职业未来趋势的接轨,需对产学研协同创新模式的需求和分类进行深入研究,并且结合国家当下发展的实际需要,针对我国未来经济社会建设和学生未来就业的实际需求进行路径探讨。基于此,本文阐述了高校产学研协同创新模式的现状,并通过国内外的差异化对比,对其分类模式和实现路径进行细致研究。

摘要： 随着我国教育体制的不断改革,高校在优化教学质量完善教学体系的过程中,更加注重产学研协同创新模式的发展和提高.为完成和各行业职业未来趋势的接轨,需对产学研协同创新模式的需求和分类进行深入研究,并且结合国家当下发展的实际需要,针对我国未来经济社会建设和学生未来就业的实际需求进行路径探讨.基于此,本文阐述了高校产学研协同创新模式的现状,并通过国内外的差异化对比,对其分类模式和实现路径进行细致研究.

摘要： 针对伪近邻分类算法(LMPNN)对异常点和噪声点仍然敏感的问题,提出了一种基于双向选择的伪近邻算法(BS-PNN).利用邻近性度量选取k个最近邻,让测试样本和近邻样本通过互近邻定义进行双向选择;通过计算每类中互近邻的个数及其局部均值的加权距离,从而得到测试样本到伪近邻的欧氏距离;利用改进的类可信度作为投票度量方式,对测试样本进行分类.BS-PNN算法在处理复杂的分类任务时,具有能够准确识别噪声点,降低近邻个数k的敏感性,提高分类精度等优势.在UCI和KEEL的15个实际数据集上进行仿真实验,并与KNN、WKNN、LMKNN、PNN、LMPNN、DNN算法以及P-KNN算法进行比较,实验结果表明,基于双向选择的伪近邻算法的分类性能明显优于其他几种近邻分类算法.

摘要： 目的 比较基于体素的形态学测量(voxel-based morphometry,VBM)和基于形变的形态学测量(deformation-based morphometry,DBM)在检测轻度认知功能障碍(mild cognitive impairment,MCI)灰质异常及相应分类识别性能上的差异,为结构态分析方法的选择提供依据.方法 利用VBM和DBM对27例MCI患者及30例健康对照的磁共振结构像进行分析,分别统计比较获得相应的组间结构异常脑区,并将异常脑区作为分类特征构建相应的MCI诊断识别模型,最终通过评价异常脑区的空间分布特征及分类识别准确率来评估两种方法的差异.结果 VBM和DBM均发现MCI患者在海马、海马旁回、杏仁核、岛叶等脑区发生结构改变,但VBM方法还在额中回、颞中回等脑区发现异常.VBM确定的结构异常得到了86.0％的最佳准确度,而DBM方法的准确度为77.2％,虽然在性能表现上稍差,但发现的特征与VBM的最优特征具有一致性.结论 VBM方法可以发现更多的MCI结构异常,而DBM方法则能发现具有较强敏感性的结构异常,因而提示在磁共振结构像研究中应将两者结合应用.

摘要： 为提高患者康复训练的积极性和有效性,采用主动训练模式对脑卒中患者的踝关节运动障碍问题进行康复治疗.人体表面肌电信号(surface electromyography,sEMG)的产生比患者实际动作发生提前大约50～100 ms,可以利用人体表面肌电信号来反映患者的真实运动倾向,从而辨识出患者运动模式,并使设备带动患者完成运动动作.利用SVM支持向量机对采集的肌电信号特征值矩阵构成的未知模式样本进行分类,判断患者期望运动状态为背屈、跖屈或放松.总体识别率较为准确,可以满足患者康复需求.

摘要： 为实现矿井水纳入水资源统一配置,从矿井水空间利用格局出发,在明确矿井水利用分类的基础上,考虑供需双向协调要求,分析提出矿井水分类利用指标因子,采用自组织特征映射网络(SOM)方法构建了煤炭矿井水安全利用模式分类指标体系和评价模型.以宁东煤炭基地典型煤矿为实例,评价了矿井水开发利用模式分类,结果表明:构建的利用模式分类评价指标体系、评价方法能有效识别主要矿井水利用分类的相关指标和特征值对应的模式分类.

摘要： 粗糙集理论提供了一种有效处理不完整、不确定信息的数学工具。近年来，它被广泛应用于决策分析、数据挖掘、模式识别、智能控制等领域，本文介绍了粗糙集的基本理论以及其扩展模型，其中详细介绍了变精度、容差、优势、模糊等粗糙集模型。在应用研究方面，主要介绍了粗糙集在特征选择、模式分类两个方面研究进展。

摘要： 通过分析影响外浮顶油罐火灾事故的关键因素,建立一套由"部位、火点形状、物料类型、燃烧型式"四个要素组成的外浮顶油罐火灾事故模式,涵盖了外浮顶油罐的主要火灾事故类型.结合建立的外浮顶油罐典型火灾事故模式,研究提出了相应的应急流程和方法.

摘要： 通过分析影响外浮顶油罐火灾事故的关键因素,建立一套由"部位、火点形状、物料类型、燃烧型式"四个要素组成的外浮顶油罐火灾事故模式,涵盖了外浮顶油罐的主要火灾事故类型.结合建立的外浮顶油罐典型火灾事故模式,研究提出了相应的应急流程和方法.

摘要： 通过分析影响外浮顶油罐火灾事故的关键因素,建立一套由"部位、火点形状、物料类型、燃烧型式"四个要素组成的外浮顶油罐火灾事故模式,涵盖了外浮顶油罐的主要火灾事故类型.结合建立的外浮顶油罐典型火灾事故模式,研究提出了相应的应急流程和方法.

摘要： 通过分析影响外浮顶油罐火灾事故的关键因素,建立一套由"部位、火点形状、物料类型、燃烧型式"四个要素组成的外浮顶油罐火灾事故模式,涵盖了外浮顶油罐的主要火灾事故类型.结合建立的外浮顶油罐典型火灾事故模式,研究提出了相应的应急流程和方法.

摘要： 针对基于表面肌电信号的手势识别领域特征提取及分类方法多样化的特点,提出了最优的手势识别分类方法.选用3种特征提取方法,分别为Willison幅值(WA)、方均根(RMS)、方差(VAR),排列出7种不同组合,选用3种分类器,分别为支持向量机(SVM)、K最邻近(KNN)、BP神经网络.将7种不同特征提取方法与3种分类器相匹配,选出最优的分类策略.仿真实验表明,RMS-MS的组合为最优的特征提取方法,BP神经网络为最优的分类策略.用RMS-MS/BP列手势的识别率达到91.03％,对采用表面肌电信号进行手势识别的研究有重要参考价值.

摘要： 针对基于表面肌电信号的手势识别领域特征提取及分类方法多样化的特点,提出了最优的手势识别分类方法.选用3种特征提取方法,分别为Willison幅值(WA)、方均根(RMS)、方差(VAR),排列出7种不同组合,选用3种分类器,分别为支持向量机(SVM)、K最邻近(KNN)、BP神经网络.将7种不同特征提取方法与3种分类器相匹配,选出最优的分类策略.仿真实验表明,RMS-MS的组合为最优的特征提取方法,BP神经网络为最优的分类策略.用RMS-MS/BP列手势的识别率达到91.03％,对采用表面肌电信号进行手势识别的研究有重要参考价值.

摘要： 针对基于表面肌电信号的手势识别领域特征提取及分类方法多样化的特点,提出了最优的手势识别分类方法.选用3种特征提取方法,分别为Willison幅值(WA)、方均根(RMS)、方差(VAR),排列出7种不同组合,选用3种分类器,分别为支持向量机(SVM)、K最邻近(KNN)、BP神经网络.将7种不同特征提取方法与3种分类器相匹配,选出最优的分类策略.仿真实验表明,RMS-MS的组合为最优的特征提取方法,BP神经网络为最优的分类策略.用RMS-MS/BP列手势的识别率达到91.03％,对采用表面肌电信号进行手势识别的研究有重要参考价值.

摘要： 针对基于表面肌电信号的手势识别领域特征提取及分类方法多样化的特点,提出了最优的手势识别分类方法.选用3种特征提取方法,分别为Willison幅值(WA)、方均根(RMS)、方差(VAR),排列出7种不同组合,选用3种分类器,分别为支持向量机(SVM)、K最邻近(KNN)、BP神经网络.将7种不同特征提取方法与3种分类器相匹配,选出最优的分类策略.仿真实验表明,RMS-MS的组合为最优的特征提取方法,BP神经网络为最优的分类策略.用RMS-MS/BP列手势的识别率达到91.03％,对采用表面肌电信号进行手势识别的研究有重要参考价值.

摘要： 在对于象、象思维的概念及过程等深入研究的基础上,提出象思维的基本模式有取象类推、归纳演绎、据象辨证、体象悟道四种,并在举例说明的同时,分别描述了四种模式的示意图.

摘要： 本申请公开了一种模式分类方法及模式分类系统，其中，所述模式分类方法包括：获取第一训练集；将第一训练集映射到核隐空间，得到映射后的第一训练集；利用映射后的第一训练集构造成对约束集合；在核隐空间中利用成对约束集合计算马氏距离中的半正定矩阵；将待测数据映射到核隐空间，得到映射后的待测数据；根据半正定矩阵与映射后的待测数据，寻找映射后的第一训练集中的目标样本，将目标样本的标签赋给待测样本。模式分类方法在获取第一训练集和待测数据后，都将其映射到核隐空间中，从而引入了局部特性，以实现对第一训练集和待测数据的全局和局部的综合衡量，从而实现对第一训练及和待测数据的全面利用，进而提高模式分类方法的分类精度。

摘要： 一个实施例中的设备包括主机装置，该主机装置被配置为通过网络与包括多个存储装置的存储系统进行通信。该主机装置包括一组输入‑输出队列和多路径输入‑输出驱动器，该多路径输入‑输出驱动器被配置为从该组输入‑输出队列选择输入‑输出操作以输送到存储系统。该多路径输入‑输出驱动器被配置为分析在预定时间段内主机装置的输入‑输出负载模式，并至少部分地基于该分析将该输入‑输出负载模式分类为多个预定负载模式类别中的一者。该多路径输入‑输出驱动器被配置为将指定输入‑输出负载模式的分类的信息传输到存储系统。该存储系统被配置为至少部分地基于该输入‑输出负载模式的分类来调整其对输入‑输出操作的处理。

摘要： 本申请公开了一种脑电图模式分类模型训练方法，可用于个人身份识别(PI)和驾驶过程中的疲劳状态检测任务，包括：获取脑电图EEG数据并进行预处理和标记，得到带标记的训练数据集；将每个EEG数据输入到基于注意力机制的卷积神经网络，提取得到模式特征；根据所述EEG数据的模式特征和标记，对用于脑电图模式分类模型的参数进行修正。还公开了对应的脑电图模式分类的方法和脑电图模式分类的系统。在用于驾驶相关的多任务分类中，如个人身份识别(PI)和驾驶过程中的疲劳状态检测任务，平均分类精度较高，还可以在分类精度和时间成本之间做出很好的权衡，在生物医学信号的多任务分类中具有潜在的应用价值。

摘要： 本发明公开了一种基于多特征模式匹配和模式分类的刀闸分合状态识别方法，包括以下步骤：获取待识别刀闸的图像状态信息，提取静态图像并做预处理，对于摄像机获取的图像，先将图像灰度化，再采用灰度拉伸方法提高图像对比度；对于红外热成像仪获取的红外图像，将其像素灰度减去上一行或同一行的灰度均值，以提高图像的信噪比；通过CPU处理器对图像进行识别判断，将判断结果传输给调度台系统。本发明不仅能够避免带地刀合闸事故的发生，且为电力设备可见故障的状态监测提供了新的解决思路和更为丰富的技术手段，降低了电力设备故障发生率。

摘要： 本发明公开了一种基于神经网络的分布式光纤振动信号模式分类方法，包括：获取传感器发送的报警实时数据，对这些数据进行低通滤波以消除高频噪声；根据信号的特点进行报警点的定位，并依据定位结果截取固定长度的、满足神经网络输入长度要求的信号片段；对信号片段做归一化处理后输入到神经网络；采用批次随机梯度下降算法训练网络，得到最终用于判定的神经网络模型及参数。本发明能够实现当分布式光纤传感器产生报警信号后，实时判断引发报警的原因，方便管理人员迅速定位报警发生的地点和报警发生的原因，方便其快速做出相应的反应，方法简单，适合普遍推广。本发明还公开了一种基于神经网络的分布式光纤振动信号模式分类系统。

摘要： 本发明公开了一种基于支持向量正则化字典对学习的模式分类方法，属于计算机视觉技术领域。该方法包括：将训练图像和测试图像映射到低维空间，得到训练集和测试集；基于训练集采用支持向量正则化的字典对学习模型学习综合‑解析字典对和支持向量机分类器；利用训练好的字典对生成测试集编码系数；将测试集编码系数输入到支持向量机分类器中，得到测试集的类别标签，以类别标签作为分类结果。本发明基于字典对学习模型，提出融合支持向量的判别性分类模型并进行优化求解，适用于一般情况下的模式识别和图像分类问题，在人脸识别和场景识别上能达到较高的分类准确度。

摘要： 本公开提供了一种行人移动模式分类方法、装置及电子设备。该方法包括：获取多个行人中每个行人的原始轨迹数据；对每个原始轨迹数据进行特征提取，得到几何特征；将原始轨迹数据转化为行人访问过的店铺序列；根据店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；将每个行人对应的几何特征和店铺轨迹语义特征进行特征融合，得到移动模式特征；对全部移动模式特征进行聚类，得到行人移动模式分类。该方法通过将店铺特征与行人的移动特征相结合使得行人移动模式分类更接近行人的实际活动规律。

摘要： 本发明公开了一种可跨用户的肌电模式分类方法，包括：1、利用穿戴的当前电极设备采集n个用户的k类动作肌电信号并提取特征，从而组成有标签的源域数据其中，表示第i个样本对，代表源域的第i个样本，代表源域的第i个样本的真实标签；2、当第n+1个用户即新用户接入当前电极设备后按照任意顺序执行k类动作时，采集新用户的k类动作肌电信号并提取特征，从而组成无标签的目标域数据其中，代表目标域的第j个样本；3、构建基于领域自适应方法的迁移学习网络模型；4、实现跨用户的动作识别。本发明能实现跨用户的动作识别，并不断提升对新用户(目标域)数据识别的精准度。

摘要： 本发明公开了一种基于噪声模式分类的对抗样本检测方法及系统，包括滤波器构建、噪声模式提取与分类。在滤波器构建中，使用下采样减少网络运算量同时保证感受野不变；使用噪声系数图给网络添加正则化，控制滤波强度和细节保留的平衡。在噪声模式提取中，通过MSCN系数刻画噪声模式，对噪声的失真程度进行量化表达，以获得更好的统计可分性。最后，建立神经网络对输入的噪声模式进行分类，以区分正常样本与对抗样本。本发明利用图像噪声模式之间的统计差异性实现对抗样本检测，具有检测精度高、普适性的优点。

摘要： 本发明公开了一种基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统，包括：从生命体征雷达的回波信号中得到呼吸信号；将不同呼吸模式的呼吸信号截取为固定长度的样本片段，之后对呼吸信号的幅度进行归一化处理；构造小波字典；根据小波字典，采用正交匹配追踪算法求解不同呼吸模式对应的呼吸信号样本的稀疏解，并确定稀疏解的稀疏度；将稀疏解作为呼吸信号样本的特征，构建并训练卷积神经网络模型；利用卷积神经网络模型对未知的呼吸信号片段进行分类，获得其呼吸模式。本发明无需提取复杂的呼吸信号特征，基于呼吸信号的稀疏解特征即可实现呼吸模式的准确分类，方法简单有效，性能可靠，便于实施。