多特征混合神经网络模型在ADR分类中的应用

为了充分结合不同特征的信息实现对ADR文本的分类,提出一种混合多特征的神经网络模型,利用自然语言处理(NLP)工具提取不同特征向量作为不同通道的输入,依次使用卷积神经网络(CNN)和LSTM抽取特征,最后经过softmax分类器输出关系类型.通过实验验证对比表明:该模型有较好的识别精度,优于单一特征的神经网络模型.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。     

基于多SVM分类器融合的高速公路异常事件检测方法

提出了一种利用多SVM分类器对高速公路中的复杂交通信息进行有效融合的异常事件检测方法.首先,将初始训练集划分为互不重叠的子集,为每个子集训练分类器.给定一个输入向量,利用分类器求得其所属的类别标签,并计算出该向量对特定簇的隶属度.其次,利用概率方法将多SVM分类器分类结果进行融合,得到最终分类结果.接下来,将“车流量”、“行车速度”、“道路占用率”、“相邻监测站的车流量差值”、“速度差值”以及“道路占用率差值”等交通参数表示为特征向量,分别输入到经过训练的SVM分类器,并将多SVM分类器融合后的分类结果作为判别异常事件的依据.最后,从5个具有代表性的高速公路路段采集到的交通数据构造实验数据集.实验结果表明,对比单一SVM和LS-SVM,文章提出的基于多SVM分类器融合的高速公路异常事件检测方法可以有效提高高速公路异常事件检测的准确性和可靠性,弥补了仅使用单一交通参数进行异常事件检测的不足.     

特征融合与约简的纹理分类方法研究

提出了一种新的基于多特征融合的纹理分类算法.首先,通过灰度共生矩阵(GLCM)、高斯马尔科夫随机场(GMRF)和二进制小波(Wavelet)抽取纹理特征,采用基于K近邻域(K-NN)分类器的留一法交叉验证错误率作为顺序前向搜索算法(SFS)的评估函数进行特征约简,从而有效地将多特征进行融合,最后利用K-NN分类器对融合后的特征进行分类.对Brodaz纹理库的测试结果证实:(1) GCLM,GMRF和Wavelet方法提取的纹理特征具有互补性与协同性;(2)与单独的纹理特征提取方法相比,多特征融合与约简的方法取得了更高的识别精度;(3) 与简单的特征联合方法相比,文中提出的方法识别率可提高约4%;(4) 与经典特征降维方法(主成分变换(PCA)、Fisher判别(LDA)法)相比,文中提出的方法在识别精度和识别效率方面更具有优势,是一种实用的纹理分类方法.     

基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法

为了提高交通标志识别的正确率和实时性,提出了一种基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法。采用Gamma矫正方法提取HOG特征,采用对比度受限的自适应直方图均衡化方法提取Gabor特征,基于线性特征融合原理,将提取的HOG和Gabor特征向量直接串联,得到刻画交通标志的融合特征向量,采用Softmax分类器对融合特征向量进行分类,采用德国交通标志识别基准(GTSRB)数据库测试了所提方法的有效性,比较了基于单特征与融合特征的交通标志识别效果。试验结果表明:在图像增强过程中,针对HOG特征,采用Gamma矫正方法的分类正确率最大,为97.11%,针对Gabor特征,采用限制对比度的直方图均衡化方法的分类正确率最大,为97.54%;采用Softmax分类器的最小分类正确率为97.11%,耗时小于2s;针对HOG-Gabor融合特征,采Softmax分类器的识别率高达97.68%,因此,基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法的识别率高,实时性强。     

基于支持向量机的出行链活动类型识别研究

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.     

����֧���������ij����������ʶ���о�

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

基于MSR算法的公路隧道围岩分级方法

隧道围岩分级是隧道设计与施工的基础,直接影响隧道安全与运行。为实现对隧道围岩进行快速、准确地分级,基于机器学习中softmax回归线性分类模型,构建多分类softmax回归分级方法（MSR）。首先,综合考虑岩石坚硬程度、岩体完整程度、结构面产状、地下水状况、节理风化状况及初始地应力状态6项分级指标,并对其进行量化;其次,采用argmax函数作为决策函数,建立多分类器;然后,给定专家修正训练样本,利用python语言编写程序,学习最优判别函数,同时比较不同学习率下模型的精度;最后,导入测试集数据,经过模型自动演算,得出合理的围岩分级结果。结合那丘隧道BQ法对围岩进行分级。研究结果表明：(1)该算法具有可行性和较高的准确率,证实了将机器学习应用到隧道工程中可以提高工程施工效率;(2)与二分类器相比,多分类器能更好地解决围岩分级问题;(3)当学习率为0.01时,模型的分类性能最佳。     

On-line Cache Resizing for Low-Power Microprocessors

We propose a novel scheme, called on-line cache resizing (OCR), to dynamically resize the cache and meet the size requirement of each application. At each periodic interval, the scheme gathers the cache hit-miss statistics at runtime using an extra tag array. These executing statistics serve as inputs to an analytical model of cache energy. The scheme uses energy as a primary metric to dynamically increase/decrease the number of active cache ways for the next interval. The scheme minimizes the active cache size to save energy with minimal performance loss. The simulation with SPEC 2000 benchmarks shows that OCR results in an average of 38.4% energy saving compared with fixed-size caches, with only 2.0% performance loss.     

天文导航定位的计算机决策选星

论文建立了天文导航定位时利用计算机选取最优定位星体组合的数学模型.对天文定位中星体高度、亮度、方位夹角的要求进行量化处理,建立特征向量,并对特征向量的各元素设定合理的权重,利用线性加权方法,对符合定位基本要求的星体组合计算理想度,理想度最高的即为最优组合.建立了选星模型的计算流程,利用VC++语言实现了计算机自动选星,验证了模型的快速性和有效性.     

Efficient iris recognition via ICA feature and SVM classifier

With the increasing demands of security in ournet worked society,the technology for personalidentification works as the main solution to safe-guard people s properties.Biometrics is an alterna-tive to solve the problemand has the advantage thatthey cannot be stolen or forgotten like pass words.Because personal identification numbers or identifi-cation tokens(such as s mart cards)cannot provide ahighlevel of security which can be copied,inspec-ted and/or stolen.They only showthe knowledgeof som…     

铁路集装箱空箱调运优化及相关问题分析

在铁路集装箱空箱调运的优化过程中,需要综合许多因素,其中空箱调运后变成重箱而产生的实际经济效益问题最为重要,是必须优先考虑的关键。分析铁路集装箱空箱申请的实际过程,并在此基础上对铁路集装箱空箱调整的原因和特点进行论述,在对空箱调运影响因素分析的基础上,建立铁路集装箱空箱调运优化模型。     

Elasto-plastic modeling of soft soil considering degradation of stiffness

The stiffness has a large influence on the behavior of soils. Its value is affected by some of the soils properties, such as the over consolidated ratio(OCR), the effective normal stress, and the plasticity index etc. In this paper, the numerical modeling of soft soils was carried out using an improved elasto-plastic S-clay1 model accounting for degradation of stiffness. The relation between the stiffness and the shear strain was established based on a large number of experimental data. The effects of strain-dependent stiffness of normally consolidated soils and over consolidated soils on the stress-strain behavior were studied through a comparison of the simulations with the experimental results of undrained triaxial compression tests. The results show that the behaviors of soils can be well predicted with the improved constitutive model, particularly before the peak stress.     

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足，提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer)，该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先，对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模，并合并各周期数据作为模型输入。其次，搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征，融合特征后输出预测值。最后，采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据，预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响，开展模型精细化调参实验，基于所得最优参数组合验证和评估模型 。 结果表明 ，相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN (Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型，本文提出的GRU-Transformer模型预测精度最高，具有较好的实用性。     

基于上下文自编码的船舶行为语义表征

考虑船舶行为的时序相关性，提出了一种基于上下文自编码的船舶行为语义表征(SRCAE)模型；提取船舶经度、纬度、航速、航向等行为特征参量，建立了行为特征序列；借助连续词袋模型将行为特征序列划分为中心船舶行为和上下文船舶行为，利用深度自编码网络构建了船舶上下文行为的语义表征模型，将得到的中心船舶行为编码作为表征向量输出，通过聚类算法构建船舶行为词典；选取长江口南槽交汇水域作为研究对象，利用船舶自动识别系统产生的数据对提出的模型和方法进行了验证。分析结果表明:所提出的SRCAE模型能有效表征船舶行为之间的上下文联系，与传统自编码器和长短期记忆网络自编码器等模型相比SRCAE模型具有更低的表征误差；分别采用k均值(k-Means)、高斯混合模型(GMM)与核k均值(Kernel k-Means)3种聚类算法提取船舶行为词典，与原始数据相比SRCAE模型产生的表征向量更易于区分不同船舶行为模式，其中k-Means效果最优，轮廓系数、卡林斯基-哈拉巴斯指数和戴维森堡丁指数指标分别达到了0.384、18.308、0.531，共产生转向加速、转向减速、直行加速、直行减速等30种复合行为，有效提取了不同行为模式下船舶行为词组合关系。      

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

一种改进的基于轮廓特征拐点的遮挡车辆分离方法

在传统的基于4类特征拐点的遮挡车辆分离方法的基础上进行改进,提出了一种基于8类特征拐点的分离方法．该方法以车辆常用的矩形模板为先验知识,首先对存在遮挡的连通区域提取边缘轮廓,并将轮廓上的特征拐点分为8类;然后在对相邻且同类的轮廓特征拐点进行合并的基础上,利用改进的车辆轮廓特征拐点的类型组合来实现遮挡车辆的识别和分离．仿真实验表明,本文所提出的新方法具有更好的鲁棒性和精确性,且方法简单,具有很高的实际应用价值．     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...