摘要：针对圈养条件下瓶鼻海豚通讯信号(whistle)分类时混叠大量回声定位信号(click)导致分类正确率降低的问题,提出了一种基于机器学习的融合分类方法。分别提取whistle信号的时频分布特征训练随机森林分类器,梅尔时频图特征训练卷积神经网络分类器,在此基础上设计融合判决器对混叠whistle信号进行分类识别。对圈养海豚声信号采集实验数据的分类识别结果表明,融合分类方法具有更好的分类性能,对混叠whistle信号分类正确率大于94%,优于时频分布特征分类器和梅尔时频图特征分类器,能够提高混叠信号的分类能力。

摘要：为了提高脑机接口的分类正确率,设计了一种基于三同心圆环的拉普拉斯电极,此电极能够快速测量4阶精度的头皮拉普拉斯电位(LEEG),具有极高的空间分辨率和定位性能.基于九点法表面拉普拉斯电位估算理论,推导了此三同心圆环拉普拉斯电极直接测量LEEG的原理.通过与传统EEG测量对比实验表明,此三同心圆环拉普拉斯电极在左右手运动想象的脑机接口中能够显著地提高分类正确率,并且简单易用,具有很大的实用价值.

摘要：为解决传统烟叶分级因人为主观因素造成烟叶等级识别率低等问题,基于不同等级烟叶高光谱数据集A和B,分析了多元散射校正(MSC)、标准正态变量变换(SNV)和Savitzky-Golay卷积平滑(SG)3种预处理方法,以及随机森林(RF)、极限学习机(ELM)、梯度提升决策树(GBDT)和支持向量机(SVM)4种分类模型对烟叶分类正确率的影响,并进一步探讨了高光谱数据经MSC预处理后,利用F-Score算法选取特征波段,在不同特征波段数量下分类正确率的变化。结果表明:(1)基于全波段的MSC预处理结合ELM和SVM模型的识别效果较好,数据集A和B的分类正确率分别达到84%、80%和96%、95%;(2)利用F-Score算法选取的特征波段数量占全波段的70%时,基于MSC预处理的4种模型的分类正确率已接近基于全波段的分类正确率,在数据集B中SVM的分类正确率达到96%。该研究结果可为提高烟叶等级识别正确率及烟叶分级的智能化水平提供支持。

摘要：为解决因系统结构固化导致图像分类正确率低的问题,设计了基于小波神经网络的图像分类系统。系统总体结构设计主要包括系统硬件部分和系统软件部分。其中:系统硬件部分主要是基于小波变换设计信息归类系统的架构,以TMS320DM270作为主控芯片,使用浏览器的用户界面(User Interface,UI)来显示其他内容,以PC104为图像处理单元,设计嵌入式图像采集系统;系统软件部分主要是基于小波神经网络选取初始聚类中心和设计图像分类引擎,以完成基于小波神经网络的图像分类系统设计。实验结果表明:基于小波神经网络的图像分类系统误分类比率极低,分类正确率较高,分类效果突出。

摘要：SVM-RFE特征选择算法是一种有效的特征选择方法,具有较高的应用价值。针对传统SVM-RFE特征选择算法中SVM参数(γ和C)难以确定的问题,本文采用粒子群算法搜索SVM的参数。然后将特征向量映射到SVM参数γ确定的核空间中并进行特征选择,有效地将特征选择与SVM分类器设计关联起来。仿真结果表明,特征选择后的数据集仍能保证SVM分类器具有较高的分类正确率。