融合特征

摘要： 从主体概念上来讲,大数据通常被称为巨量资料,通常是指借助一种全新处理模式与方法才能够具有更强洞察力、决策力及流程优化能力的多样化、海量化、高增长率的信息资产。大数据无疑是数字技术一种完美延伸与创新变革。当前阶段,全面推动大数据技术创新发展能行之有效的增强传统媒体与新媒体融合的效率和质量。鉴于此,笔者在本文针对大数据时代背景下,传统媒体与新媒体融合特征、融合现状以及创新融合路径展开一定分析和研究,以供借鉴与参考。

摘要： 事件信息抽取是信息抽取任务中的一种,旨在识别并提出一个事件的触发词和元素。由于容易受到数据稀疏的影响,事件要素的抽取是中文事件抽取任务中的一个难点,研究的重点在于特征工程的构建。中文语法相较英文要复杂许多,所以捕获英文文本特征的方法在中文任务中效果并不明显,而目前常用的神经网络模型仅考虑了上下文信息,不能兼顾词法和句法特征。因此针对中文的词法和句法特点,构建一种结合分组长短期记忆网络(grouped long-short term memory,GLSTM)和Attention的中文事件要素抽取方法 AGCEE(attention and GLSTM based Chinese event extraction),通过Attention机制融合词特征和句子特征,采用GLSTM捕获句子的上下文信息,并通过条件随机场(conditional random fields,CRF)进行事件信息抽取,最后在公开数据集上进行实验以验证模型的有效性。

摘要： 链路预测旨在发现复杂网络中的未知连接和未来可能的连接,在推荐系统等实际应用中具有重要作用。考虑到许多真实网络的时序特性,时序链路预测逐渐成为研究热点。当前,基于时间序列分析的方法往往忽略了网络演化过程对网络本身的影响,而基于静态网络演化的方法大多仅考虑了局部连边的演化影响,对网络拓扑结构的演化特性挖掘有限。针对上述问题,该文提出一种融合局部拓扑影响力的时序链路预测算法(TLP-FLSI)。首先,基于网络拓扑结构影响力作用,提出时序链路预测的通用模型(CTLPM);其次,研究拓扑实体间相互作用在动态网络上的演化规律,分别定义了节点和连边的演化因子,以及时间序列衰减的演化因子,综合利用多个维度的特征信息,给出了融合局部节点和连边特征影响力的时序链路预测算法;最后,在7个真实数据集上分别进行实验,对比传统基于移动平均方法、误差修正、邻居扩展加权和图注意力网络等时序链路预测方法,实验结果证明该算法具有较好的准确率和排序性能。

摘要： 针对中文医学命名实体识别任务中实体细粒度较大、识别准确率不高等问题,提出一种融合特征Albert的中文医学命名实体识别算法,利用自建的真实标注语料对模型进行训练与测试,结果表明模型具有较好的识别效果。

摘要： 为了加强对老年人的监护、降低跌倒带来的安全风险,提出了一种新的基于Res2Net-YOLACT和融合特征的室内跌倒检测算法。首先,通过融入Res2Net模块的YOLACT网络来提取视频图像序列中的人体轮廓;然后,利用两级判断的方法做出跌倒决策,其中一级判别通过运动速度特征粗略判断是否发生异常状态,二级通过融合人体形状特征和深度特征的模型结构对人体姿势进行判别;最后,当检测出跌倒且发生时间大于阈值时,发出跌倒报警。实验结果表明,该跌倒检测算法可以在复杂的场景下很好地提取到人体轮廓,对光照的鲁棒性较好,并且检测速度可达每秒28帧,能满足实时检测要求。此外,融入手工特征后的算法分类性能表现更优,分类准确率达98.65%,比卷积神经网络(CNN)特征算法提升了1.03个百分点。

摘要： 工业革命导致了人类历史千年不遇的大变革,使得世界局势发生了巨大变化。自此西方社会引领世界发展潮流至今。中国是惟一连续五千年延绵至今的古老文明,但未发生早期工业革命的原因值得思考。中世纪之后,西方社会借助文艺复兴、宗教改革、启蒙运动、政体改革、科技创新、海外扩张等一系列的探索与变革,突破了基督教传统思想的藩篱,获得了巨大的发展空间;而且,基于开拓、创新等文明精神的一系列技术发明引发了英国工业革命。悠久的中华文明及其融合特征,导致中国在儒学思想主导下表现为维系了两千年的中央集权且较稳定的大帝国。其经济发达、技术先进,但社会发展比较缓慢,先进的冶铁生产也受到较大压抑。至明朝中晚期在工农业、经济体量、社会结构、思想、政治、科技、商贸、文化等诸方面都出现了有利于萌生工业革命的变化。但这一萌生过程始终遭受着儒学传统的压抑,至满清统治时期出现了意识形态和社会结构的倒退,进而彻底丧失了早期工业革命的机会。

摘要： 提出一种基于融合特征选择与鲁棒概率协同表示分类器(Robust Probabilistic Collaborative Representation Based Classifier,R-ProCRC)的癫痫发作自动检测算法。首先,对原始脑电(Electroencephalography,EEG)信号进行经验模态分解(Empirical Mode Decomposition,EMD)以及离散小波变换(Discrete Wavelet Transform,DWT);然后,对分解得到的各子波分别进行多种特征融合提取,并采用最大相关-最小冗余特征选择算法进行融合特征选择;最后,用R-ProCRC对选择后的数据特征进行检测。在Bonn数据集上采用十折交叉验证评估效果,取得较好的识别效果。仿真结果表明,提出算法的准确性、灵敏度和特异性分别达到99.70%,99.74%和99.66%,相比EMD算法和DWT算法,有显著提高。

摘要： 通过图像预测PM_(2.5)浓度的准确性,在很大程度上取决于模型所选用的特征参数。为丰富特征参数的表达,设计了一种基于图像传统特征与深度特征充分融合的PM_(2.5)浓度预测方法。首先,根据不同PM_(2.5)浓度下的成像差异,选定图像感兴趣区域,解决图像尺寸过大导致的模型运算效率较低问题。然后,针对所选取的局部图像,利用传统图像处理方法手动设计并提取图像浅表视觉特征,同时利用卷积神经网络自动提取图像深层语义特征。最后,将两种特征融合,交由卷积神经网络的全连接层实现对PM_(2.5)浓度的回归预测。预测误差比对结果显示,相比使用单种特征,使用融合特征能够有效提高模型的预测性能。

摘要： 唐卡领域知识图谱的构建,需要进行唐卡文本关系分类,但实验发现使用传统模型卷积神经网络(CNN)和长短期记忆网络(LSTM)时模型泛化能力弱且语义特征提取能力不足,最终效果不佳。文章提出一种BERT-ACRNN模型,该模型使用BERT预训练语言模型获得上下文语义信息,分别通过CNN和带自注意力机制的双向长短期记忆网络(Bi-LSTM)获得文本的局部特征信息与上下文特征表示,再将两种特征信息进行融合,最后进行关系分类。实验结果表明,BERT-ACRNN模型在唐卡领域文本数据集上,F1值达到93.23%,相比于BERT模型高出4.68%,与BERT-CNN、BERT-BiLSTM相比F1值分别提升了2.69%和2.81%。

摘要： 提出了一种融合多媒体内容描述接口(MPEG-7)和声门特征的病理嗓音识别方法,以更细致地表征病理嗓音与健康嗓音之间的差异度,提高病理嗓音识别率。首先将声门特征与MPEG-7特征进行融合,随后通过贝叶斯网络、BP神经网络、逻辑回归、支持向量机、局部加权线性回归五种机器学习方法进行识别实验。采用DSP芯片TMS320VC5509A为核心实现该方案。采用MEEI数据库中的正常嗓音和病理嗓音进行十折交叉验证实验,实验结果表明,MFCC、LPCC和MPEG-7融合声门特征的平均识别率分别比融合前分别提高了2.87%、1.78%和0.6%。其中,融合MPEG-7和声门特征在支持向量机方法下性能最优,能达到100%的识别率。

摘要： 心音听诊是一种无创便捷的心脏物理检查方法,病理性心脏杂音的出现预示着心脏功能或结构的损伤,因此,心音分类识别作为开发心音自动听诊系统的技术基础具有重要的研究意义.本文构造了一种新的融合特征集用于心脏杂音的分类识别,该特征集包含了刻画心音时频域、能量、熵和非线性信息的特征参数.预处理后的心音通过小波包变换,能量估计和样本熵计算进行特征提取,再通过主成分分析获得融合特征矩阵,分类识别过程由支持向量机执行,并对常用的四类核函数进行了比较研究,实验结果表明,径向基函数支持向量机获得的识别准确率、特异性和敏感性分别是95.27％、97.99％和92.68％.本文提出的方法对心音自动听诊系统的设计具有指导意义.

摘要： 气阀是往复式压缩机故障率最高的部件，其好坏直接影响机组的排气量与功率消耗。因此，对压缩机气阀进行故障预测显得非常重要。针对现有预测方法中采用单一参数预测中存在的信息不足及缺失，同时考虑难以获取充足的预测样本数据问题，提出基于融合特征值的支持向量机模型预测气阀故障。应用结果表明，该模型充分融合了多种故障特征信息，对小样本情况下气阀故障预测具有较高的精度。

摘要： 基于内容的非刚性三维模型检索的关键是提取具有等距变换不变性的特征描述符.网格模型每条边的内二面角能够很好地刻画网格凹凸性,描述模型几何特征.本文提出内二面角分布直方图的统计特征(Interior Dihedral AngleHistogram,IDAH),应用于非刚性模型检索.同时,为了弥补单一几何特征对模型描述能力的不足,通过遗传算法融合内二面角与其它三种基于几何信息分布直方图的特征描述符,提出基于融合特征(Combined Feature,CF)的非刚性三维模型检索算法.在SHREC公布的非刚性数据集上进行对比实验,结果表明基于模型内二面角的分布直方图具有有更好的鲁棒性和更高的检索准确率,对模型变换不敏感,时间效率比较理想.并且融合特征算法更进一步提升了检索效果.

摘要： 重压缩检测是多级隐密分析中关键的预处理部分，高准确率的重压缩检测是隐密分析获得更高性能的重要前提条件.深入研究了重压缩对于JPEG图像各种特征的影响，基于此提出了一种融合直方图分布特征、Benford特征、DFT特征的重压缩检测算法。仿真实验表明，该算法具有更高的检测率，能够适用于JPEG多级隐密分析中的重压缩检测.

摘要： 重压缩检测是多级隐密分析中关键的预处理部分，高准确率的重压缩检测是隐密分析获得更高性能的重要前提条件.深入研究了重压缩对于JPEG图像各种特征的影响，基于此提出了一种融合直方图分布特征、Benford特征、DFT特征的重压缩检测算法。仿真实验表明，该算法具有更高的检测率，能够适用于JPEG多级隐密分析中的重压缩检测.

摘要： 重压缩检测是多级隐密分析中关键的预处理部分，高准确率的重压缩检测是隐密分析获得更高性能的重要前提条件.深入研究了重压缩对于JPEG图像各种特征的影响，基于此提出了一种融合直方图分布特征、Benford特征、DFT特征的重压缩检测算法。仿真实验表明，该算法具有更高的检测率，能够适用于JPEG多级隐密分析中的重压缩检测.

摘要： 重压缩检测是多级隐密分析中关键的预处理部分，高准确率的重压缩检测是隐密分析获得更高性能的重要前提条件.深入研究了重压缩对于JPEG图像各种特征的影响，基于此提出了一种融合直方图分布特征、Benford特征、DFT特征的重压缩检测算法。仿真实验表明，该算法具有更高的检测率，能够适用于JPEG多级隐密分析中的重压缩检测.

摘要： 重压缩检测是多级隐密分析中关键的预处理部分，高准确率的重压缩检测是隐密分析获得更高性能的重要前提条件.深入研究了重压缩对于JPEG图像各种特征的影响，基于此提出了一种融合直方图分布特征、Benford特征、DFT特征的重压缩检测算法。仿真实验表明，该算法具有更高的检测率，能够适用于JPEG多级隐密分析中的重压缩检测.

摘要： 本发明公开了一种基于纹理特征与形状特征相融合的水声图像特征提取方法，主要步骤包括图像分割，边界提取，生成基元阵，计算灰度‑基元共生矩阵，获取五项个特征量等几个关键步骤。本发明着手于海底底质水声图像的图形学特征，利用海底底质水声图像的边界形状特征及其灰度相关性，应用并结合边界提取与灰度‑基元共生矩阵法，实现海底底质的水声图像特征提取。本发明不仅能够保证平移、旋转和缩放不变性，并且对噪声不敏感，既可以描述闭合区域，对于非闭合区域也能很好的完成特征提取，实现了基于海底底质水声图像图形学特征的间接识别及提取。

摘要： 本发明涉及一种融合用户时间特征和个性特征的数据特征提取方法，属于人工智能技术领域；本发明基于多用户的批量时序数据，通过时间卷积神经网络建模数据的序列关系，同时引入时间通道和个性特征通道注意力机制自动选择与预测下一个数据点所密切相关的数据特征，从而获取用户的综合数据特征，在此基础上，可以利用现有神经网络模型提供基于用户历史习惯的相关服务。对比现有技术，本发明有效解决了传统神经网络模型在使用数据时效率低下的问题，通过时间通道和个性特征通道两种注意力机制，强调了时间信息和用户个性对于特征提取的重要性，提高了特征提取的有效性。

摘要： 本发明公开了一种基于特征筛选和深度融合的卷积神经网络特征融合算法。方法包括如下步骤：(1)、将来自同一幅影像的多个不同的卷积特征按照通道进行拼接。然后对拼接后的特征进行批量归一化，来调整各层输出特征的分布。(2)对融合后的综合特征进行包括挤压、激励和注意三个过程的特征筛选。(3)通过一维卷积对多个特征进行深度融合，进一步挖掘各个特征的信息和特征信息之间的关系。(4)最后对深度融合的特征进行激活，通过激活函数把激活的特征保留并映射出来。本发明可以明显提升深度学习方法中多特征(多尺度特征融合、注意力特征融合等)相关类别算法模型的精度，提高图像分类、语义分割和目标检测等任务的识别效果。

摘要： 本发明提供一种基于多模态特征融合的三维对象融合特征表示方法。本发明将三种模态的三维模型特征表示，都做了一个非常细致的实现和复现：三维模型的多视图特征表示、点云特征表示以及网格特征表示。对多模态三维数据进行了处理、增强和融合，并基于此提取出了三维对象的融合特征表示。本发明能实现非常优秀的多模态信息融合，实现更加鲁棒的三维模型特征表示，供给其他三维对象任务使用。

摘要： 本发明提供一种基于显著图引导的分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数的方法。该方法联合使用线性光谱聚类超像素方法和多尺度区域分组方法处理得到的特征表示图，避免有用信息的丢失，然后搭建一个三分支的分层密集特征融合网络进行前景特征、背景特征的提取和融合，用于提取乳腺病变超声图像多尺度融合特征参数。前景和背景两个进行性密集特征提取分支网络以原始图像和相应的显著图共同作为输入，分别用来有效地提取与该分类任务相关的前景和背景特征。根据前景和背景之间已知的相关性和补充性信息，分层特征融合分支网络将上述前景和背景信息进行多尺度的融合，获得更加准确，更加显著的多尺度融合特征参数。

摘要： 本发明公开了一种切削信号多域特征高质融合及融合特征性能评价方法，涉及机械加工过程监测技术领域，根据切削信号特征集和辨识目标向量计算每个特征向量与辨识目标向量的皮尔逊相关系数，得到多域相关系数集；根据自动叠加函数计算每个特征向量对应的融合特征分量，得到多域融合特征分量集；对多域融合特征分量集中各融合特征分量矩阵计算平均向量，得到多域融合矩阵；分别计算多域融合矩阵的各维数据与辨识目标向量的皮尔逊相关系数，得到多域融合矩阵与辨识目标向量的融合相关向量；经计算输出最终的多域融合矩阵。本发明能够提高融合特征表现能力，同时通过建立性能评价指标，实现能够在训练识别模型之前预先判断融合后的特征性能的评价方法。

摘要： 本发明公开了一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质，所述方法包括：步骤1：将患者的电子病历数据进行处理构成患者的就诊向量；步骤2：将每类数据的就诊向量作为原始输入数据，分别利用Bi_LSTM模型和CNN模型提取时序特征和非时序特征；步骤3：分别综合每类数据的时序特征和非时序特征得到综合特征；步骤4：利用所述综合特征挖掘每类数据的之间的作用信息得到每类数据对应的最终特征。其中，利用得到最终特征可以用于疾病风险预测，本发明综合了不同类型医学数据各自的时序和非时序特征及其之间的相互关系，以获得更准确的患者表示特征，进而提高了疾病风险预测结果的可靠性。

摘要： 本发明提供一种基于多模态特征融合的三维对象融合特征表示方法。本发明将三种模态的三维模型特征表示，都做了一个非常细致的实现和复现：三维模型的多视图特征表示、点云特征表示以及网格特征表示。对多模态三维数据进行了处理、增强和融合，并基于此提取出了三维对象的融合特征表示。本发明能实现非常优秀的多模态信息融合，实现更加鲁棒的三维模型特征表示，供给其他三维对象任务使用。

摘要： 本发明公开了非负特征融合方法和基于非负特征融合的模式分类方法，包括以下步骤，获取原始数据的多种非负特征，定义并建立特征矩阵；对特征矩阵进行非负特征分解，得到基础特征和特征融合因子；使用基础特征和特征融合因子进行融合特征重建，得到融合特征；基于融合特征，建立基于正规化F范数误差的融合单特征分类器；使用融合特征Boosting算法对融合特征进行提升，得到融合单特征提升权重矩阵和融合多特征提升权重矩阵；基于提升权重矩阵，建立融合多特征分类器。本发明提出非负特征分解与融合特征重建的两步特征融合方法，为原始数据多种非负特征的融合提供了技术手段，实现多种特征的优势互补，基于融合特征建立的分类器能够得到更高的分类准确率。

摘要： 提供一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；将所述训练数据集分别送入卷积神经网络一次自编码器和基于专家知识的人工时域特征提取模块；在所述卷积神经网络一次自编码器中进行基于卷积神经网络的特征提取，获得卷积特征集；在所述人工时域特征提取模块进行基于专家知识的时域特征提取，获得人工时域特征集；对所述卷积特征集和所述人工时域特征集进行特征拼接，得到融合特征；将所述融合特征送入二次自编码器和解码器，进行基于堆叠自编码器的深度特征融合。