层次分类

摘要： 在图像标注、疾病诊断等实际分类任务中,数据标记空间的类别通常存在着层次化结构关系,且伴随着特征的高维性。许多层次特征选择算法因不同的实际任务需求而提出,但这些已有的特征选择算法忽略了特征空间的未知性和不确定性。针对上述问题,提出一种基于ReliefF的面向层次分类学习的在线流特征选择算法OH_ReliefF。首先将类别之间的层次关系融入ReliefF算法中,定义一种新的面向层次化数据的特征权重计算算法HF_ReliefF;其次,利用特征对决策属性的划分能力动态选择重要特征;最后,基于特征之间的独立性对特征进行动态冗余分析。实验结果表明,与五种先进的在线流特征选择算法作对比,OH_ReliefF算法在K最邻近(KNN)分类器和拉格朗日支持向量机(LSVM)分类器的各个评价指标中都取得较优的结果,准确率最少提高7个百分点。

摘要： 在开放动态环境中,在线流特征选择是降低特征空间维度的有效方法 .现有的在线流特征选择算法能够有效地选择一个较优的特征子集,然而,这些算法忽略了类别中可能存在的层次结构.基于此,提出基于层次类别邻域粗糙集的在线流特征选择算法:首先,在邻域粗糙集中引入层次最近异类的邻域关系,避免邻域粒度的选择,借助层次结构计算特征对标记的层次依赖度,推广邻域粗糙集模型以适应层次类别数据;其次,基于层次依赖度提出三个在线特征评价函数,设计了在线相关选择、在线重要度计算和在线冗余更新的层次特征选择框架;最后,在六个层次类别数据集和八个扁平单标记数据集上的实验表明,提出的算法优于现有最先进的在线流特征选择算法.

摘要： 在实际应用领域中,存在许多特征空间无法预先给定的场景,数据以特征流的形式随时间动态流入特征空间,而样本数量是固定不变的.同时,数据的类别中往往存在丰富的层次化结构关系,传统的特征选择算法在性能上已无法满足需求.基于此,本文提出一种面向层次分类学习的在线流特征选择算法.首先,利用兄弟节点之间的关系设计了一种基于最大近邻的决策误差率计算公式.其次,设计在线重要性选择和在线冗余更新两种在线评估准则,用于选择决策误差最小的特征子集.最后,在6个层次数据集上的实验结果表明,所提算法优于一些现有的在线流特征选择算法.

摘要： 随着数据量的增加,分类问题的规模越来越大,导致层次分类产生特征空间高维性和类别空间不一致性问题.基于此,提出一种基于类别一致性的层次特征选择算法.首先,该算法使用递归正则化,为层次类别的每个内部类学习共同特征.其次,充分利用分层结构,将类别相似性约束在输出标签,分析类别间的输出一致性.最后,对样本特征进行稀疏性学习去除无关特征.该算法可以同时处理具有树结构和有向无环图结构的数据.实验结果表明,与5种层次特征选择算法相比,所提算法在线性支持向量机(LSVM)分类器上的评价指标中都取得较好的结果,有效提高分类性能,验证了算法的有效性.

摘要： 绝缘子是电力线路中重要且使用广泛的器件,随着近年来无人机巡线的迅速普及,从航拍图像中检测绝缘子自爆缺陷成为热点问题.在航拍图像中,自爆绝缘子与正常绝缘子的区分难度相对更大,该文提出一种基于层次多任务深度学习的绝缘子自爆缺陷检测模型,使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子,并结合多任务学习和特征融合方法提高分类准确率.同时,针对缺乏自爆类数据的问题,提出制作合成图像的数据增强方法.实验结果表明,添加合成图像能有效提高自爆类召回率;层次多任务学习模型与平面分类模型及普通层次模型相比具有更强的分类能力.

摘要： 《义务教育语文课程标准(2011年版)》在课程基本理念阐释部分提出:"全面提高学生的语文素养",在阅读教学中,既要培养学生语言文字的运用能力,也要培养学生的逻辑思维能力和想象能力,促进学生的"思维发展与提升"。因此,我们的语文阅读教学不能停留在熟悉字词、提取信息、理解信息、交流感受这些基本思维层面,而要努力向高阶思维进军,以不断促进学生思维的发展。一、敞亮学生思维的发展过程根据美国学者安德森等人将人的认知过程由低到高的层次分类(即"识记、理解、应用、分析、评价、创造"六个层次).

摘要： [目的/意义]大规模文本层次分类问题是当前文本分类领域中的研究难点之一.由于数据规模和类别数量巨大,分类难以达到理想的效果.针对该问题,提出基于Stacking集成学习的大规模文本层次分类方法.[方法/过程]该方法使用自上而下方法实现分类,分别采用两类策略来训练高层和低层分类器.训练高层分类器(第一层和第二层)时采用多分类策略,根据高层分类结果设计了一种约束算法来选择合适的低层分类器.训练低层分类器时采用二分类策略,利用Stacking算法训练每个低层类别的基分类器和融合分类器,通过融合分类器预测结果排名选择得分最高的分类标签作为分类结果.[结果/结论]在中文期刊数据集上的实验结果表明,该方法能够有效提升大规模文本层次分类的效果.

摘要： 甘肃某化工集团电石炉为54000KW密闭式电石炉,同等级电石炉生产可参考内容较少,所以在电石生产过程中,该化工企业记录电石生产过程中的有效参数和产出数据,在选取炉况较为稳定的炉体进行数据统计后,使用数据分析模型对相关生产数据进行拟合,并得到了合理生产参考数据表,对正常生产有积极影响.

摘要： 目前大多数深度卷积神经网络,往往训练平面分类器,忽略了类别之间的结构性.在本文中,我们将层次分类与深度卷积神经网络相结合,使类别之间的结构性信息融入至深度卷积神经网络中.层次分类依托树形的类别结构,学习一组结构化的分类器.按照所处的节点位置,分类器之间具有一定的关联性.利用这种关联性,我们使用一种结构化的多任务分类器学习算法,以增强模型的整体分类能力与特征学习能力.除此之外,为了抑制层次间的误差传播,在父类节点的分类器学习过程中,添加一个基于父子关系的结构化限制.通过在两个数据集上的实验,不同网络结构的深度多任务卷积神经网络,相比于基准网络,可以提高2％-4％的分类准确度.

摘要： 互联网规模的软件资源库正从根本上改变传统的软件开发模式,资源库中海量软件的高效层次分类对基于互联网资源的软件开发具有重要意义.传统软件分类方法基于软件源代码或字节码实现粗粒度的扁平分类,并且只在小规模数据集上进行了验证.文中提出了一种基于软件在线属性聚合的层次分类方法,设计了一个层次分类框架,基于跨资源库软件在线描述和标签的加权聚合,实现对海量软件的高效层次化分类.文中在超过18000个开源软件上进行交叉验证,实验结果表明文中提出的在线属性加权聚合方法能显著提高软件分类效果.在粗粒度扁平分类下文中方法能够达到基于源代码/字节码分类近似的性能,而且,与相关工作比较,文中方法实现了涵盖123个更细粒度类别的层次化分类,能够更有效地对海量软件进行分类.

摘要： 依据层次分类的诊断方法建立余热汽轮机的振动故障分类层次,按照层次分类的原理依次建立各概念节点的知识单元,建立以振动参数为主、热力参数为辅的振动故障诊断规则库，将所建立的振动故障诊断规则应用于实际故障诊断和故障源的查找。实践表明,应用所建立的故障诊断规则库和故障确认表能快速准确地查找出故障点,减少因故障查找效率低造成的经济损失,确保了机组的安全稳定运行。

摘要： 语言风格是高考阅读理解中的重要考察内容,然而,不同考察方式所需的分类层次不尽相同,本文将语言风格鉴赏转化为层次分类问题.在类别标签指导下,利用图分割算法,获取与特定类别相对应的原始簇.基于原始簇,利用层次聚类获取语言风格类别层次结构,之后结合层次结构训练SVM层次分类器.在解答语言风格鉴赏题过程中,依据阅读理解题干确定所需分类层次,利用SVM层次分类器完成对阅读材料语言风格判别,最后结合知识库生成语言风格鉴赏题答案.实验结果表明,基于层次结构的语言风格判别方法,可以为高考鉴赏问题的解答提供技术支撑.

摘要： 本文介绍目前国内外最流行的电厂标识系统KKS在广州蓄能水电厂的应用实例，基于KKS编码在抽水蓄能电站设备编码的编写原则及层次分类，并对KKS的应用进行了探讨。电厂KKS标识系统用于标识电厂、电厂各部分和设备组件.它可以按照电厂的任务、类型和位置标识任何类型的电厂，KKS编码的标识分为相关工艺标识、安装点标识和位置标识3类.采用KKS标识系统来管理、维护电厂的生产运行，可以大大提高企业人员的工作效率，增强企业的现代化管理水平，也是同国际电力行业接轨的主要途径之一。

摘要： 为了克服传统的采用高级语言直接编程方式实现汽轮发电机组热力计算的缺陷,利用面向对象的方法,对汽轮发电机组热力系统进行合理分析,在层次分类的基础上利用Visua 1 C++建立了汽轮发电机组热力系统的对象模型体系,并用对象组合方式构造汽轮发电机组热力系统的热力计算模型,从而有效提高了热力计算程序的开发效率与代码利用效率.

摘要： 本发明公开了一种基于字符与自注意力机制的层次文本分类方法，属于自然语言处理领域。首先通过构建字符表，然后对原始数据集进行预处理，对预处理后数据集中的字符进行编码，将编码后的字符特征使用自注意力机制得到字符自注意力机制特征，合并字符自注意力机制特征的上下文信息得到词特征。接着对词特征使用自注意力机制得到词自注意力机制特征，合并词自注意力机制特征的上下文得到句子特征。最后，使用softmax分类器预测文本类别。本发明能在自注意力机制的基础上构造层次自注意力机制网络，捕获文本结构的复合特征，提高分类精确度。

摘要： 本发明涉及一种基于层次分析的脑电信号特征分类的二分类方法，该方法的具体步骤包括：脑机接口系统采集运动想象脑电信号；进行格式转换和数据预处理；用特征提取算法分别提取不同时间段和频率段的脑电信号特征；将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集；根据训练集采用二分类算法得到预测分类模型；采用预测分类模型计算测试集的测试集分类结果，分别得出不同时间段和频率段结果的正确率；并与实际结果进行两两比较，构造判断矩阵；对判断矩阵进行一致性检验；确定不同时间段或者不同频率段判断矩阵的权重；用权重对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。

摘要： 本发明公开了一种基于字符与自注意力机制的层次文本分类方法，属于自然语言处理领域。首先通过构建字符表，然后对原始数据集进行预处理，对预处理后数据集中的字符进行编码，将编码后的字符特征使用自注意力机制得到字符自注意力机制特征，合并字符自注意力机制特征的上下文信息得到词特征。接着对词特征使用自注意力机制得到词自注意力机制特征，合并词自注意力机制特征的上下文得到句子特征。最后，使用softmax分类器预测文本类别。本发明能在自注意力机制的基础上构造层次自注意力机制网络，捕获文本结构的复合特征，提高分类精确度。

摘要： 本发明涉及一种基于层次分析的脑电信号特征分类的二分类方法，该方法的具体步骤包括：脑机接口系统采集运动想象脑电信号；进行格式转换和数据预处理；用特征提取算法分别提取不同时间段和频率段的脑电信号特征；将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集；根据训练集采用二分类算法得到预测分类模型；采用预测分类模型计算测试集的测试集分类结果，分别得出不同时间段和频率段结果的正确率；并与实际结果进行两两比较，构造判断矩阵；对判断矩阵进行一致性检验；确定不同时间段或者不同频率段判断矩阵的权重；用权重对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。

摘要： 一种基于多标签分类的税务文档层次分类方法，先从隐含狄利克雷分布模型中抽取生成的主题分布，构建税务文档的隐含狄利克雷分布主题特征。然后构建训练数据对应的tf·idf特征向量，计算包含训练数据和待分类文档的tf·idf特征向量，计算相似度获取候选类别标签。最后对候选类别标签节点的源数据补充辅助数据，用迁移学习算法TrAdaBoost构建基于迁移学习的多标签分类模型，对待分类文档进行分类。该方法将层次分类问题转换成“搜索‑分类”两阶段过程，使用增量式候选类别搜索大大减少计算量，降低计算复杂度，用基于迁移学习的多标签分类模型将税务文档映射到税种层次类别上，有效利用了辅助数据，提升了分类性能。

摘要： 本发明实施例公开了一种多层次分类模型训练方法、多层次分类方法和装置，将一级标签和二级标签转换成特征向量，利用了标签的语义性，从而提高了模型训练和分类的准确性。

摘要： 本发明提供了一种基于概念层次的视频分类模型建立方法及视频分类方法，涉及视频分类技术领域。本发明所述的基于概念层次的视频分类模型建立方法，包括：获取视频基类数据并标注视频类别，根据所述视频基类数据构造训练集；构建视频表示网络，以所述训练集作为输入，以视频特征表示作为输出，对所述视频表示网络进行训练；构建视频类别原型推理网络，以所述视频类别的概念层次作为输入，以视频类别原型作为输出，对所述视频类别原型推理网络进行训练；构造层次分类损失函数，当所述层次分类损失函数满足预设条件时，根据所述视频表示网络和所述视频类别原型推理网络建立基于概念层次的视频分类模型。本发明能够解决小样本下的视频新类的识别问题。

摘要： 本申请公开了一种多层次多分类器的图像分类方法及装置，所述方法包括：获取特征提取分类器对目标图像进行预分类以及特征提取，得到的各类别中每个卷积层的特征图以及所述特征图的第一特征概率；基于所述第一特征概率，将所述各类别中的每个卷积层的特征图进行概率累加，得到所述各类别中的每个卷积层对应的第一热力图；将所述第一热力图处理为统一尺寸，并拼接为各类别的第一多层次热力图；将所述第一多层次热力图输入到多层次分类器，得到所述多层次分类器输出的每层类别的分类概率；根据最底层的分类概率中的最大概率与预设阈值之间的数量关系，输出所述目标图像的类别。

摘要： 本发明公开了一种基于主题模型的微博用户情绪层次化分类方法和分类系统，分类方法包括S1：获取微博内容并进行预处理得到待分类词语，其中，所述待分类词语为副词、动词和形容词之中的一种或多种；S2：对所述待分类词语进行特征降维；以及S3：对特征降维后的待分类词语按照层次分类模型进行微博内容的情绪分类，其中，所述层次分类模型中所有层的节点为代表某种情绪的词语。本发明具有如下优点：设计了层次分类框架，并根据微博博文短文本的结构特点，采用了LDA这种概率生成模型来刻画数据进而进行特征降维和抽取。符合文本特点的模块引用提高了分类的准确性，获得了较好的分类结果。

摘要： 一种基于多标签分类的税务文档层次分类方法，先从隐含狄利克雷分布模型中抽取生成的主题分布，构建税务文档的隐含狄利克雷分布主题特征。然后构建训练数据对应的tf·idf特征向量，计算包含训练数据和待分类文档的tf·idf特征向量，计算相似度获取候选类别标签。最后对候选类别标签节点的源数据补充辅助数据，用迁移学习算法TrAdaBoost构建基于迁移学习的多标签分类模型，对待分类文档进行分类。该方法将层次分类问题转换成“搜索-分类”两阶段过程，使用增量式候选类别搜索大大减少计算量，降低计算复杂度，用基于迁移学习的多标签分类模型将税务文档映射到税种层次类别上，有效利用了辅助数据，提升了分类性能。