欢迎您！东篱公司
退出
-
申报数据库
-
立项数据库
-
成果数据库
-
项目获奖数据库
位置：立项数据库 > 立项详情页
中文摘要：
本项目提出了一种基于图表示原理的多维定性与定量信息融合新方法，该方法可以实现将多个输入的定性、定量和定性与定量信息转换为一个可以表达整体数量和质量的单定性、单定量信息，同时还可以给出表征输入信息特征的定性（定量）信息，实现多维信息的融合和分类。从结构上讲，该方法由预变换器（主要完成定性与定量信息的预处理功能）、图表示器（主要完成多维信息图表示和定量输出信息运算功能）和模糊小波基函数神经网络分类器（主要完成定性信息的分类功能）组成。这种新结构的多维定性定量信息融合方法可以应用到多个传感器（包括模糊传感器输出信息）信息融合、舒适度传感器与气味传感器等智能传感信息处理和复杂系统中定性与定量信息的融合等领域，并可以推广应用到医学、社会经济、军事、教育等领域。具有较重要的学术价值和应用价值。
结论摘要：
本项目初步建立起由多维数据2D可视化表示、图形特征提取与选择和图分类器组成的可视化信息融合和模式识别理论体系。主要成果表现在建立了多维数据到图表示域映射和基于多元图形表达的一般化标量和矢量信息融合数学模型；提出了多维数据非线性映射到单位圆和基于内积坐标多元图表示等新方法，使多维数据多元图表示理论系统化。提出了基于多元图形特征升维和降维变换原理特征选取重要学术思想。降维特征选取实现方式为对特征明显的变量采用特征选择，对特征贡献小的变量采用特征提取，然后再融合成最后的特征向量。升维变换特征选取的学术思想是将多元图特征经过列向量相关升维变换到高维空间，在更多特征空间中利用最优化方法优选图形特征。实际上这是一个先升后降的过程，也是先提取、后选择的过程。设计了模糊推理分类器、相似度分类器和基于多元图图形特征的分类器等。因不同序列多维数据对应不同多元图图形特征，在多维数据组合构成图形特征空间中遍历寻找最优特征是基于图表示原理信息融合和模式识别提出的特有问题。提出了采用遗传算法多元图图形特征寻优方法，将寻优后多维数据序列采用常用算法分类，UCI机器学习数据库九种数据集分类正确率达到国际先进水平。
成果综合统计
期刊论文
会议论文
专利
获奖
著作
期刊论文
会议论文
相关项目
洪文学的项目
