摘要：为有效提升搜索广告的点击率预测效果,提出一种基于特征降维和深度置信网络的模型(KTDDBN)。针对传统方法还停留在探索广告特征间的线性关系的局限性,提出使用深度置信网络寻找广告特征间更加复杂的深层关联;提取广告特征后,采用K-means聚类以及张量分解对高维特征进行降维,利用深度置信网络挖掘高阶的特征组合,提高预测模型的效果。实验结果表明,该模型在一定程度上提升了广告点击率的预测效果。

摘要：随着室内定位需求的不断增加,基于指纹的定位方法由于低成本、易于实现、精度较高等优势被广泛使用。但指纹定位算法在离线阶段训练成本高,接收信号强度值易受环境和噪声的影响,对环境的动态变化缺乏灵活性。提出了一种基于特征降维的在线序列学习机算法(PCA-OS-ELM),PCA算法可以对原始的RSSI数据进降维,去除干扰信息,构造新的特征。OSELM的快速学习能力可以降低离线阶段的训练成本,适应环境的动态变化。在2种不同的环境下进行了对比实验,结果表明所提出的算法能适应环境的动态变化,提高定位精度。

摘要：车型识别是智能交通系统研究的关键技术之一,针对车型识别的过程中存在处理的信息量大,提取特征维数高,识别实时性较差等问题,设计了一种融入PCA的LBP特征降维车型识别算法。首先在视频序列中使用帧间差分法提取目标车辆;然后计算目标车辆的LBP特征并利用PCA方法将数据由像素维数降至训练数据维数,在增强识别算法对光线变化鲁棒性的同时,一定程度上降低了车型识别的计算量;最后利用最小距离分类器对目标车辆进行分类识别。实验结果表明,所设计的车型识别算法与常规PCA方法相比,所设计的算法在光照变化时识别准确率有所提高,算法的实时性得到了一定的提升。

摘要：针对现有图像隐写分析中,特征维数较高,冗余较大,影响分类结果的问题,提出一种基于双重特征选择降维的隐写分析方法。通过计算单维特征以及特征间互信息,定义互信息得分并删除冗余特征,用改进mRMR(最小冗余最大相关)算法,结合分类结果选择最优特征子集。对空域S-UNIWARD和频域nsF5隐写算法,在不同嵌入率下通过集成分类器进行实验,实验结果表明,该方法能保持分类效果,有效降低特征维数,减少检测时间,提高隐写分析效率。

摘要：面部表情对影视表演有着紧要的作用,表情相似度度量是评判面部表情是否表演到位的一种方式。现有的表情相似度度量方法存在微小表情变化度量不精确、局部细节描述能力弱等问题。因此,本文在Isomap (Isometric Feature Mapping)特征降维基础上提出了一种新的表情相似度评估方法,将其应用到了表演艺术课中。首先,使用基于梯度提高学习的回归树方法实现面部特征点定位以及追踪,得到特征点的运动信息。然后,将得到的高维特征点运动信息运用非线性降维算法Isomap降维,得到人脸表情曲线。最后,提出了基于时序的相似度匹配方法,通过对比表情序列中每一帧的强度得出表情相似度。实验结果表明,该方法是可行的,能够有效地评估表演者对影视片段中表情模仿的相似度。

摘要：城市交通安全越发重要,工程运输车辆监控需求与日俱增。为提高城市道路智能监控系统的识别准确性,论文提出了基于改进梯度方向直方图(HOG)多级支持向量机(SVM)的工程车辆识别方法。首先,为避免帧间快速变化导致的混合高斯背景模型(GMM)误差,设计数字图像质量判断因子剔除信噪比低的视频帧,同时基于凸包算法分割前景中粘连的车辆轮廓,抑制不同视角与光线阴影对特征提取的干扰。其次针对HOG特征,融合对角线方向梯度细节,增强特征轮廓描述能力;基于分块梯度方向方差进行预筛选以剔除低信噪比分块,增强特征鲁棒性;并融合不同权值半径的局部二值模式(LBP)算子,添加纹理属性以增强特征针对相似轮廓信息的分辨能力。最后,根据工程车辆的特征特性设计多级SVM分类器,有效提升目标工程车辆的分类准确率。实验结果表明,论文针对工程车辆的识别准确率达92%、召回率达90%,能较好地完成道路工程车辆识别任务。

摘要：从腹部CT图像中分割并重建胰腺3D模型对于辅助疾病诊疗有重要意义。由于胰腺在图像中占比小且与周边组织难以区分等原因,现有方法准确性和稳定性不足。本研究提出一种双重降维和通道注意力门控U型网络,在编码路径中以双重降维模块加强浅层特征空间有效信息提取,在编解码连接中嵌入通道注意力门控模块从通道层级过滤冗余特征。在NIH发布的胰腺分割公开数据集上(包括82例CT图像)进行实验,采用集合相似度(DSC)、召回率(R)和精确率(P)验证分割性能,使用三维顶点距离误差(VDE)评估3D重建效果。DSC、R和P值分别达到82.35%±5.76%、81.07%±8.50%、84.04%±5.40%,VDE降低至1.27±0.90,优于U-Net和Attention-Unet等方法。结果表明,所提出方法能够提高胰腺CT图像分割性能,重建的3D模型能够更好反映个体胰腺实际情况。

摘要：传统多生物特征融合识别方法中人工设计特征提取存在盲目性和差异性,特征融合存在空间不匹配或维度过高等问题,为此提出一种基于深度学习的多生物特征融合识别方法。通过卷积神经网络(convolutional neural networks,CNN)提取人脸和虹膜特征、参数化t-SNE算法特征降维和支持向量机(support vector machine,SVM)分类组合进行融合识别。实验结果表明,该融合识别方法与单一生物特征识别以及其它融合识别方法相比,鲁棒性增强,识别性能提升明显。

摘要：为了降低特征维数,提高分类效率,提出了一种新的基于概率密度距离的有监督的特征排序方法。首先依次对所有样本的某一维特征进行加权变换,然后对变换后的各类别样本进行概率密度估计,计算由该特征加权变换后所引起的各类别样本的类间概率密度距离,距离越大,则该特征对于区分各类别样本的作用越大,以此来对特征进行排序。实验结果表明,该方法是有效的,而且表现出了比经典的Relief-F特征排序方法更好的性能。

摘要：分析了特征选择与特征抽取的特点与不足,针对Fisher线性鉴别准则存在问题,在一种加权散度差线性鉴别准则的基础上提出了一种基于散度差与SVD相结合的文本特征抽取方法。在解决了类内散布矩阵的奇异性问题困扰同时,通过对低阶矩阵的奇异值分解取代了对高阶矩阵的特征值求解,计算量大大减少。在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩。试验结果表明,这种方法在文本分类上的准确性较好。