-
题名加权KNN的图文数据融合分类
被引量：10
- 1
-
-
作者
康丽萍
孙显
许光銮
-
机构
中国科学院电子学研究所
中国科学院大学
-
出处
《中国图象图形学报》
CSCD
北大核心
2016年第7期854-864,共11页
-
基金
国家自然科学基金项目(41301493)
高分对地观测领域学术交流基金项目(GFEX04060103)~~
-
文摘
目的图文数据在不同应用场景下的最佳分类方法各不相同,而现有语义级融合算法大多适用于图文数据分类方法相同的情况,若将其应用于不同分类方法时由于分类决策基准不统一导致分类结果不理想,大幅降低了融合分类性能。针对这一问题,提出基于加权KNN的融合分类方法。方法首先,分别利用softmax多分类器和多分类支持向量机(SVM)实现图像和文本分类,同时利用训练数据集各类别分类精确度加权后的图像和文本正确判别实例的分类决策值分别构建图像和文本KNN模型;再分别利用其对测试实例的图像和文本分类决策值进行预测,通过最邻近k个实例属于各类别的数目确定测试实例的分类概率,统一图像和文本的分类决策基准;最后利用训练数据集中图像和文本分类正确的数目确定测试实例中图像和文本分类概率的融合系数,实现统一分类决策基准下的图文数据融合。结果在Attribute Discovery数据集的图像文本对上进行实验,并与基准方法进行比较,实验结果表明,本文融合算法的分类精确度高于图像和文本各自的分类精确度,且平均分类精确度相比基准方法提高了4.45%;此外,本文算法对图文信息的平均整合能力相比基准方法提高了4.19%。结论本文算法将图像和文本不同分类方法的分类决策基准统一化,实现了图文数据的有效融合,具有较强的信息整合能力和较好的融合分类性能。
-
关键词
图文数据
softmax多分类器
多分类支持向量机
加权KNN
融合分类方法
-
Keywords
image-text co-occurrence data
classification method softmax
multiple classification SVM
KNN with weight adjustment
fusion
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进神经网络与比值法融合的变压器故障诊断方法
被引量：2
- 2
-
-
作者
李平
胡根铭
-
机构
安徽理工大学电气与信息工程学院
-
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2023年第9期3898-3906,共9页
-
基金
安徽省自然科学基金(2108085ME180)
安徽高校协同创新项目(GXXT-2021-024)
安徽理工大学博士科研基金(13190006)。
-
文摘
为提高采用单神经网络方法的变压器故障诊断精度,该文提出了一种基于改进神经网络与比值法融合的变压器故障诊断方法。针对深层1维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)难以适应变压器溶解气体数据的难题,搭建了改进的1D-CNN作为融合分类方法的基础分类器;为提升神经网络在变压器故障诊断中的应用性能,提出了一种融合分类模块(fusion classification module,FCM),提前筛选出可能被网络错误分类的样本并转由传统比值法进行单条数据分析;并用算例仿真验证了所提方法的可操作性和适应性。研究结果表明:与常规1维卷积神经网络、循环神经网络相比,改进的1D-CNN作为基础分类器的性能表现优异;FCM在不同数据集下对基础分类器均有相应的性能提升,对于初始准确率高于95%的基础分类器提升效果更稳定。
-
关键词
1维卷积神经网络
融合分类方法
比值法
变压器故障诊断
溶解气体
-
Keywords
one-dimensional convolutional neural network
fusion classification method
ratio method
transformer fault diagnosis
dissolved gas
-
分类号
TM41
[电气工程—电器]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
