Classification of valence changes of trivalent rare earth ions in alkaline earth borates using artificial neural networks

The investigations of classification on the valence changes from RE3+ to RE2+ (RE = Eu, Sm, Yb, Tm) in host compounds of alkaline earth berate were performed using artificial neural networks (ANNs). For comparison, the common methods of pattern recognition, such as SIMCA, KNN, Fisher discriminant analysis and stepwise discriminant analysis were adopted. A learning set consisting of 24 host compounds and a test set consisting of 12 host compounds were characterized by eight crystal structure parameters. These parameters were reduced from 8 to 4 by leaps and bounds algorithm. The recognition rates from 87.5 to 95.8% and prediction capabilities from 75.0 to 91.7% were obtained. The results provided by ANN method were better than that achieved by the other four methods. (C) 1999 Elsevier Science B.V. All rights reserved.

模式识别在有机化合物碳—13核磁共振波谱中的应用

本文介绍了以碳—13 NMR 谱为基础,运用模式识别方法对于取代苯类有机化合物的分类情况。数据源为 CIAC-碳-13数据库。特征选择为简单的机率比率法。模式识别方法为Fisher 意义下的判别函数、KNN 及非线性映射。所得结果比较满意。

复杂背景下运动目标检测、分割与跟踪

本文研究的内容主要是序列图像中复杂背景下运动目标检测、分割与跟踪。分别提出了曲线演化策略及在运动目标检测与分割中的应用和基于特征点跟踪的运动目标检测与分割方法。关于目标跟踪，本文应用基于模型和基于特征的两种策略，提出了稳定、有效的四种跟踪方法。基于模型的算法包括基于粒子滤波和Hausdorff距离的运动目标跟踪及基于变形模板的目标跟踪。基于特征的方法分别是基于模糊测度的目标匹配与改进不变矩的目标匹配算法。 研究了曲线演化策略及在运动目标检测与分割中的应用，提出了基于最小半径准则和队列结构的聚类算法，消除孤立区域。提出基于试探策略并结合Fisher准则自适应地确定阈值的曲线演化算法分割运动目标。该算法具有良好的实时性和分割完整准确的优点。 在基于特征点跟踪的运动目标检测分割中，通过分析角点信息(灰度、梯度大小与方向)及其邻域信息，构造方向子邻域以提高匹配精度。提出了采用聚类方法消除运动目标上特征点对集合，同时也从剩余的特征点对集合中选取最优子集估计模型参数，检测运动目标。该算法可达到实时应用目的。 目标跟踪问题可看作状态空间中贝叶斯推理问题。在粒子滤波框架内，分别构造了跟踪过程的状态转移模型和测量模型，并提出了一种基于集合的模糊测度，实现了跟踪窗口随目标自适应变化、模板更新策略。对于刚体与非刚体的孤立目标，算法能够实现对目标的稳定跟踪。 在复杂场景下变形目标跟踪中，通过定义一种点到匹配点及其邻域的广义距离测度，增强了匹配的容错性。算法采用边缘相似点的距离均值和方差作为匹配的相似测度和置信准则。通过提出在8邻域内基于马尔可夫模型的启发式规则修正模板策略，阻止了模板窗口向背景的漂移。 在基于模糊测度的目标匹配中，提出了循环移位方法构造匹配特征向量，根据特征分布的模糊隶属度确定相似测度。该算法性能优于基于灰度相关匹配方法。 在基于不变矩的图像匹配中，引入误差带策略，计算图像边缘不变矩，取前N个匹配结果作为侯选目标，并根据契比雪夫不等式确定置信度。最后计算侯选目标的直方图的统计特性目标定位。该算法在性能上明显优于应用不变矩特征直接匹配方法和灰度相关的匹配方法。

基于模糊集理论的二维线性鉴别分析新方法

二维线性鉴别分析（2DLDA）是一种直接基于矩阵的特征提取方法，跳过传统的基于Fisher鉴别准则的线性鉴别分析方法中必须先将二维矩阵转化成一维矢量的过程，有效地提高了特征提取速度且避免了小样本问题，其识别率优于传统的Fisherface方法。结合模糊集理论，提出了一种新的2DLDA算法——模糊2DLDA（FIDLDA）算法。首先采用FKNN算法得到相应的样本分布信息，并按其对最后得到的特征向量所作的贡献融入到特征抽取过程中，得到有效的样本特征向量集。实验表明，F2DLDA算法的性能优于传统的2DLDA算法和Fisherface方法。

广义统计不相关最优鉴别矢量集的一个理论结果

本文对统计不相关最优鉴别矢量集的理论问题进行研究 ,提出了广义统计不相关最优鉴别准则 ,并给出了广义统计不相关最佳鉴别矢量集的一个理论结果 ,研究表明 ,广义统计不相关最佳鉴别矢量集的计算公式与基于Fisher最优鉴别准则的统计不相关最佳鉴别矢量集的计算公式完全一样 ,但是以前这一点没有被认识到 .本文的研究丰富了统计不相关最优鉴别分析的特征抽取理论 .

一种新的图像特征抽取方法研究

对最佳鉴别矢量的求解方法进行了研究，根据矩阵的分块理论和优化理论，在一定的条件下，从理论上得到类间散布矩阵和总体散布矩阵的一种简洁表示方法，提出了求解最佳鉴别矢量的一种新算法，该算法的优点是计算量明显减少。ORL人脸数据库的数值实验，验证了上述论断的正确性。实验结果表明，虽然识别率与分块维数之间存在非线性关系，但可以通过选择适当的分块维数来获得较高的识别率。类间散布矩阵和总体散布矩阵的一种简洁表示方法适合于一切使用Fisher鉴别准则的模式识别问题。