新兴的趋势在机器学习信号处理

---

最近,有一个越来越浓的兴趣开发“智能”设备和系统能够与环境交互,例如,物联网和人机接口。“智能”一词用于描述一组先进功能利用先进的计算智能(CI)算法实现。机器学习(ML)构成的一个重要区域CI处理电脑/机器学习的能力通过知识表示、处理和存储。毫升困难的工程问题提供了解决方案,以类似的方式,人类的大脑处理。此外,考虑到大量和多样性的数据(图像、视频、时间序列、一维信号,文本,等等)大规模生成并存储在现代“智能”系统,需要高效的ML算法的精度和速度变得越来越重要。在这种快速发展的机器学习工具,这个特殊的问题关注最近的趋势在ML方法申请处理来自任何来源的信号。

这个问题的一个纸地址病理的诊断大脑图像使用众所周知的图像处理工具(维纳滤波、2 d-dwt和概率PCA)和机器学习模型(随机子空间整体的比例),最近的邻居)。提出的方法与21个先进的算法相比,在精度方面,敏感性和特异性四个数据集。

另一篇论文提出了一种新颖的活跃semisupervised卷积神经网络(CNN)算法能够识别SAR图像,而不需要大量的标记样本在训练阶段。最初,该方法适用于标记数据的主动学习,然后semisupervised正则化过程为剩下的无标号数据而设计的。

一篇论文在直觉模糊Intercriteria分析的应用在减少多层感知器神经网络的输入参数。这将允许减少权重矩阵,以及神经网络的实现在有限的硬件,因此这将节省时间和资源在训练。

另一篇论文处理人脸识别问题。为此patch-based主成分分析(PCA)方法提出,利用当地的空间信息封装在面对图像补丁。广泛的实验在两个基准数据集显示该方法的表现面对几个PCA-based类似的算法。

论文探讨了使用记录脑深部局部场电位(联赛)健壮的运动解码的帕金森病(PD)和肌张力障碍患者。小说提出了系综分类器对准确预测手指运动和即将到来的一侧。系综分类器包括三个基本的神经网络分类器,即前馈,径向基概率神经网络,而多数表决规则被用来融合三个基分类器的决策生成最后的决定。

另一篇论文提出了一种新颖的个人验证系统基于似然比检测融合匹配分数从多个生物匹配器(脸、指纹、手的形状,和棕榈打印)。泽尼克时刻被用作多通道特性在匹配阶段和融合后的匹配分数高斯混合模型估计的真正的和骗子密度匹配分数为个人验证。

一篇论文探讨了深度学习技术的适用性在船舶识别异常行为情节和跟踪模式,作为超视距(OTH)雷达捕捉到。拟议的方法利用深堆叠的非线性映射功能autoencoders结合基于密度的聚类。详细对比实验评估方法显示了有前景的结果。

乔治·a·Papakostas
Konstantinos i Diamantaras
弗朗西斯科·a . n . Palmieri

版权

版权©2017年乔治·a . Papakostas et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。