花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加，传统的分类方法由于提取的特征比较单一或者分类器结构过于简单，导致叶片识别率较低。为此，本文提出使用纹理特征结合形状特征进行识别，并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Ｇａｂｏｒ滤波和灰度共生矩阵方法得到。而形状特征向量由Ｈｕ氏不变量和傅里叶描述子组成。为了避免过拟合现象，使用＂ｄｒｏｐｏｕｔ＂方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法，在Ｆｌａｖｉａ数据库中，对３２种叶片的识别率为９９．３７％；在ｉＣｌ数据库中，对２２０种叶片的识别率为９３．９３９％。这表明相比一般的叶．．．

【目的】科研合作关系是一种重要的社会网络。为了促进科研合作,提高科研生产率,对金融领域的科研合作推荐模型进行研究。【方法】建立金融领域个人、机构和区域三个层面的科研合作网络,提出一种新的融合基于邻居节点和基于路径的网络特征的科研合作推荐模型,并从个人、机构和区域三个层面进行实证检验。【结果】通过对2000年到2014年刊载的68 905篇金融领域的文章进行分析并构建科研合作网络,在个人、机构和区域三个层面上,基于特征融合的链接预测方法的AUC值分别为84.25%、87.34%和91.84%,均高于基于邻居

为探究不同认知负荷下的人脑活动，设计了三种实验范式（N-Back、心算和Sternberg），采集被试者在三类认知负荷下的脑电图（electroencephalogram， EEG）信号，并对EEG信号进行预处理、特征提取和特征分类。模型设计中，通过相位锁相值（phase locking value， PLV）计算了EEG的功能连接特征，将PLV功能连接矩阵作为脑功能网络的边；以微分熵特征（differential entropy， DE）作为网络的节点信息，实现了EEG频域与空间域特征的融合，利用图注意力神经网络（graph attention networks， GAT）完成了跨任务的认知负荷分类。实验结果表明，提出的模型在跨任务三分类认知负荷识别中取得了57.12%的平均分类准确率；其中，被试依赖三分类平均准确率可达74.47%。同时，基于复杂网络理论，从全局和局部两个层次分析了不同负荷状态下大脑网络结构的变化。结果表明：一方面，随着认知负荷程度增加，theta与alpha频段的全局聚类系数逐渐减小，delta与theta频段的全局效率则有所提高；另一方面，theta频段下的额叶、顶叶与颞叶脑区电极的局部效率呈上升趋势。网络全局与局部的度量变化表明随着人脑认知负荷程度的提高，功能脑网络的拓扑结构在发生改变。

【目的】为更精确地识别网民态度,监测网络舆情,提出一种基于SVM多特征融合的情感5级分类方法。【方法】从词性特征、情感特征、句式特征、语义特征4个方面,提取动词、名词、情感词、否定词等14个特征,运用SVM方法对微博情感进行5级分类。【结果】实验结果表明,该方法对情感5级分类的准确率为82.40%,召回率为81.91%,F值为82.10%。【局限】训练语料的规模有待进一步提高。【结论】该方法在情感5级分类方面取得较好的效果。

提出一种具有特征级别的领域特征集合的情感资源挖掘方法,将基于HowNet词典的分类法构建的情感特征与基于机器学习的特征分类方法中的无内容特征以及领域特征相融合,并将该集合放入支持向量机中进行情感分类实验,实验结果表明,使用抽取模式以及多特征融合的分类方法,可增强中文情感分类效果,验证两种分类方法综合研究的正确性与有效性,弥补目前特征级别的中文情感分类研究的不足。

为了增强学生对电子信息类课程关联知识体系的理解,该文将课堂教学与实验设计相结合,提出一种基于多粒度深度特征融合的多尺度行人重识别网络(multi-scale person re-identification based on multi-granularity depth fusion network,MSMG-Re ID)实验设计,包含全局粗粒度融合特征、局部粗粒度特征、局部注意力细粒度融合特征3个分支。首先,全局粗粒度融合学习分支能够捕获行人身体最显著信息;其次,局部粗粒度融合学习分支从不同区域中提取局部特征,作为对全局特征的补充;最后,局部注意力细粒度融合学习分支引入注意力模块,挖掘行人更深层次特征且消除复杂背景干扰。此外,在局部分支后构建PBNeck模块,防止网络在训练过程中梯度爆炸,并提出联合损失函数对多尺度和机制融合网络进行学习,保证MSMG-Re ID模型的鲁棒性。为了验证提出方法的有效性,在行人标准数据集Market-1501、Duke MTMC-re ID上展开大量的仿真实验,结果表明,MSMG-Re ID学习到的特征具有较强的代表性和辨别力,且明显高于其他行人重识别算法。

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

【目的】充分利用多源网络评估数据和URL异常特征数据,研究提高钓鱼网站识别准确性的可行性方案。【方法】采用8种机器学习技术,对比研究网络评估数据与传统的URL异常特征数据在钓鱼网站识别中的性能,并融合两类数据研究进一步提高钓鱼网站识别准确性的可行性方案。【结果】在钓鱼网站识别中,相比于传统的URL异常特征,利用网络评估数据可以取得更好的识别效果。融合两类数据对于提高识别准确性有一定帮助。【局限】未考虑钓鱼网站与正常网站的数量存在严重的不均衡问题。【结论】充分利用多源网络评估数据和URL异常特征数据识别钓鱼

大数据环境下,单一数据对科技决策支持的服务不充分、不全面,传统科技决策需求的获取方式较为被动,面对情报用户的决策需求愈加复杂的状况,增加了对用户情报需求描述、情报需求解读与情报服务的难度。为协同利用多源数据,使不同来源的信息相互补充,主动探测情报用户需求,提出一种基于多源数据融合的科技决策需求主题识别方法,以我国科技部机构用户需求主题识别为例,综合多源文本数据结合主题强度分析确定科技部机构用户的重点关注领域主题,确立主题属性,对需求主题在各个主题属性文本中进行词向量计算,从而主动识别出细粒度更高的机构用户科技决策需求主题。通过以科技部机构用户需求主题识别为例,融合多源数据相互补充印证,实现了主动捕获与探测用户的情报需求,从而对用户需求的掌握更加客观、合理、有效,丰富了情报服务的模式,为情报服务变被动为主动提供新理念、新方法。

新兴技术在科技革命和产业变革中发挥着重要作用,准确把握新兴技术发展方向有助于国家政策制定和科技快速发展。融合学术论文和专利文献数据,构建一套新兴技术识别方法。通过主题N元语法(TNG)模型抽取和筛选技术主题,确定关键技术主题,通过量化新兴技术的5项特征指标:影响力、增长性、连贯性、创新性、不确定性和模糊性,计算新兴指数得分,对多源数据融合新兴技术进行识别和预判。预测新兴技术未来发展趋势,可为电网领域可持续发展提供有价值的参考,验证研究方法的可行性和有效性。

传统语音情感识别主要基于单一情感数据库进行训练与测试.而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低.为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法.通过采用回归方法来学习特征的子空间表示;同时,引入l_(2,1)-范数用于特征的选择和最大均值差异(maximum mean discrepan-cy,MMD)来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示.在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明:

【目的】针对在原始马铃薯病害图像上提取特征时计算量大、病害识别准确率低以及传统病害区域分割算法速度慢等问题,提出了一种新的基于关键特征点的病害感兴趣区域(ROI)快速检测与融合颜色和纹理特征的识别方法。【方法】对马铃薯病害图像作适当预处理后,首先提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值按水平和垂直方向排序,并通过计算K个近邻点的均值来确定病害区域的坐标并提取ROI。然后融合病害ROI的HSV颜色直方图和UPLBP纹理直方图构成总特征向量。最后采用非线性SVM识别马铃薯病害。【结果】利用该方法对240幅马铃薯叶部、果实和茎部10种混合病害图像进行识别实验,结果表明,每幅病害图像ROI检测平均时间为0.013 s,平均识别正确率达95.83%,最高达100%,平均运行时间为0.083 s。【结论】基于ORB和SIFT关键特征点的病害ROI检测方法原理简单、易实现且实时性好。本文方法可实现对10类马铃薯病害的快速识别且准确率高,为其它农作物病害识别提供了参考价值。