心理声学参数提取及其在目标识别中的应用

根据人耳听觉特性,研究了心理声学中人耳识别目标的重要特征参数在目标识别中的应用.针对无线电噪声和舰船辐射噪声,利用Zwicker理论提取心理声学参数中的特性响度和特性尖锐度作为识别特征,通过神经网络分类器分别对这两组噪声各三类进行分类识别研究.实验表明特性响度和特性尖锐度主要反映了目标的振幅特性,可以正确识别目标并具有较高的识别率.是有效的识别特征.由于特性响度和特性尖锐度反映目标的特性相同,利用遗传算法仅对特性响度特征进行优化选择.挑选出特性响度中的分类关键量,降低识别空间的维数,提高识别率.     

基于计算机视觉的烟叶病害识别研究

针对野外非专业人员对烟叶病害识别的不准确性和受主观因素影响的不足,以烟叶病害中常见的赤星病和野火病为研究对象,运用计算机图像处理技术提出了一种快速分类识别算法,主要包括特征参数提取和病害识别分类两部分。通过赤星病和野火病烟叶病害图像分析,优选出6个病害识别特征参数,建立了两类病害标准特征库。病害识别分类采用基于标准特征库的模糊模式识别算法,并且与模糊C均值聚类识别进行了对比。病害分类识别实验结果表明该分类识别算法具有良好的识别率。     

彩色自然纹理分类识别的研究

为了建立描述彩色自然纹理的参数体系,选用木材纹理这种典型彩色自然纹理为研究对象,提取了木材图像颜色矩和高斯-马尔可夫特征参数,采用改进的模拟退火算法进行了特征优化筛选及特征级参数融合,得到纹理参数体系并进行分类识别实验,识别率为97.25％,明显高于融合前单参数体系.研究表明用该参数体系对彩色木材纹理进行分类识别是可行的,也可用于与其相近彩色自然纹理的分类识别.     

基于改进LPCC和MFCC的汉语耳语音识别

以提高汉语耳语的识别率为目的,提出了将MFCC、LPCC及它们各自的动态参数等多种特征有效结合进行耳语识别的方法。实验结果说明了LPCC、MFCC结合动态参数可作为汉语耳语音识别的特征参数,且它们的结合提高了系统的识别率,在小字库内得出的识别率为94.5%。     

一种基于贪婪策略的说话人语音特征优选方法

为了提高说话人识别的性能,提出一种语音特征优选方法,从目前使用效果较好的特征参数中,采用贪婪算法优选出若干维特征用于识别。在TIMIT语音数据库上实验显示,识别率相比传统方法提高了1.6%;对于加入了噪声的语音,识别率提高了6%,识别速度提高了5倍左右。实验结果表明,优选后的特征参数能够去除不良特征对识别系统的干扰,有效提高说话人识别系统的识别率和识别速度。     

采用熵相关性优化分离性的SVM说话人识别

针对目前说话人识别模型精度不高,应用性不强的缺点,提出一种采用熵相关性优化原始特征参数的方法,并综合特征熵相关性和原始特征特性值两方面因素改进了说话人识别的分离性测度。以说话人聚类类间差异最大化为目标,建立围绕基于特征分类相关性的参数自适应重构策略及分离性测度计算方法的说话人识别模型。仿真实验结果表明,该模型结构稳定,使说话人识别的精度及效率达到较好的平衡,具有较强的应用性能。     

Gaussian核SVM在抗噪语音识别中的应用

为提高机器学习的推广能力,解决语音识别系统在噪声环境中识别率变差等问题,采用改进的MFCC语音特征参数,用Gaussian核支持向量机(SVM)作为语音识别网络,对SVM多类分类问题采用"一对一"分类算法,实现了一个汉语孤立词非特定人中等词汇量的抗噪语音识别系统.通过实验,分析了Gaussian核参数y和误差惩罚参数C对SVM推广能力的影响.实验结果表明,当工作在不同信噪比情况下,使用最优参数的Gaussion核SVM的识别率比使用RBF神经网络有较大的提高,训练时间能大为缩减,鲁棒性也较好.     

基于小波矩和BP网络的声音识别

目前大多数声音识别系统在无噪声环境下可以达到很高的识别率,但是在噪声环境下,识别率急剧下降。针对这个问题,提出一种基于小波矩和BP网络的声音识别方法。根据声音信号生成声谱图;通过小波矩对声谱图进行特征提取,选取有代表性意义的特征参数;根据选取的参数进行BP网络分类识别,从而识别声音的种类。实验结果表明,该方法在不同噪声种类以及不同信噪比的噪声环境下仍然具有较好的识别效果,克服了低信噪比下识别率低的缺陷。     

语音信号特征参数的分析和选取

在与文本有关的说话人识别系统中,既需要识别说话人的身份,又需要识别语音文本的内容。语音信号特征参数的选取对系统来说至关重要。目前,在传统语音识别系统的研究中,主要采用MFCC参数作为特征参数进行识别。笔者对语音信号特征参数进行分析,对不同的语音特征参数组合进行实验。实验结果证明,在该系统中,MFCC参数与基音参数的组合提高了系统的识别率。     

优化的线谱特征在水下目标识别中的应用

水下目标舰船辐射噪声中有很强的线谱成份，这些成份对分类识别是非常有价值的，因此利用线谱特征射舰船目标进行识别是水声领域研究的重要内容。采用最小二乘曲线拟合方法提取了舰船辐射噪声的连续谱。在此基础上主要研究了线谱特征的提取方法，获得了线谱的4维特征，对所提取的4维线谱特征进行了优化处理。基于这些优化的线谱特征采用BP神经网络对海上实录的三类水下目标辐射噪声进行了分类识别，实验结果证明了方法的可行性和有效性，识别率达到90％以上，分类效果很好。     

基于组合特征提取与多级SVM的轮胎花纹识别

基于轮胎花纹分类识别在交通与刑事部门的重要作用,提出了一种新的基于组合特征提取与多级SVM的轮胎花纹识别方法。分别采用非下采样Contourlet变换和灰度共生矩阵方法提取轮胎花纹特征;组合两种方法所提取的特征作为图像特征,并从中提取5个有效特征作为最终识别特征;运用提取的5个特征和多级支持向量机分类器完成轮胎花纹的分类识别。新的特征提取方法所得轮胎花纹特征分离度高,用决策树SVM分类器预测分类效果理想,对轮胎花纹的正确分类识别有着重要意义。     

利用立体视觉的室内场景分类

场景分类的目标是为各种视觉处理任务建立语义上下文,尤其是为目标识别。双目视觉系统现已广泛配备在智能机器人上,然而场景分类的任务大多只是使用单目图像。由于室内场景的复杂性,使用单目图像进行场景分类的性能很低。提出了一种基于双目视觉的室内场景分类方法,使用在一些特定区域里拟合出的若干平面的参数作为场景的特征。采用层级的分类方法,依据视差图,场景被分为开放场所类和封闭场所类,利用提出的场景特征和Gist特征对上述两类进行细分。为了验证提出的方法,建立了一个包含四种场景类别的图像数据集。实验结果表明提出的方法取得了较好的分类性能。     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

具有Fisher判据约束的非负稀疏编码模型?

在标准非负稀疏编码(NNSC)的基础上,引入Fisher线性判据约束,提出一种改进NNSC模型。该模型能够提高稀疏系数的空间可分性和特征分类能力。通过测试掌纹自然图像可知,提取的图像特征具有方向性、空间性和选择性,利用掌纹特征基可实现图像重构,采用距离分类器可得到较好的识别效果。仿真结果验证了该模型在可视神经元建模、图像特征提取和模式分类中的有效性。     

基于Walsh谱统计分布特征的水下入侵目标分类

提出一种利用目标回波Walsh统计分布特征识别水下入侵目标方法,文中探讨水下入侵目标回波的Walsh谱统计分布特征,提取其统计分布特征量,均值、标准差、偏度系数、峰度系数和波动系数构建特征空间,降低了直接用Walsh谱识别的特征维数。针对采集对应三种入侵目标的回波信号提取其Walsh谱统计分布特征量并进行分类识别实验,并给出了BP神经网络的分类结果。     

B-Rep model simplification by automatic fillet/round suppressing for efficient automatic feature recognition

The CAD models of real-world mechanical parts usually have many fillets and rounds that are essentially important to ensure the manufacturability and assembability. In feature-based modeling, fillets and rounds are often referred as secondary features that are used to modify the local details of the primary features such as holes, slots and pockets. Although the major shape of the primary features may not be affected, fillets and rounds can greatly change the geometric and topological patterns of the primary features. The geometric and topological variations can result in inefficient feature semantics classification in feature recognition. When feature interactions occur, it may become even worse to identify the regular patterns of the primary features. In addition, the fillets and rounds consist of no-linear surfaces such as cylindrical surfaces, spherical surfaces and toroidal surfaces, which bring the difficulties in volumetric feature extraction by half-space partition. In order to facilitate volumetric feature extraction and feature semantics classification, we pre-process the input B-Rep models by suppressing fillets and rounds before the feature recognition. Thus the input B-Rep models can be simplified without altering the major shapes of primary features, the targets of the feature recognition. The B-Rep simplification can be viewed as the reverse process of the edge blending in feature-based design. In this paper, several issues on fillet/round suppressing are discussed and a relatively general and robust approach is proposed to suppress blendings in B-Rep models of mechanical parts before the surface feature recognition and volumetric feature extraction.     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

Pattern recognition using feature feedback: Application to face recognition

In this paper, we propose a new pattern recognition method using feature feedback and present its application to face recognition. Conventional pattern recognition methods extract the features employed for classification using PCA, LDA and so on. On the other hand, in the proposed method, the extracted features are analyzed in the original space using feature feedback. Using reverse mapping from the extracted features to the original space, we can identify the important part of the original data that affects the classification. In this way, we can modify the data to obtain a higher classification rate, make it more compact or abbreviate the required sensors. To verify the applicability of the proposed method, we apply it to face recognition using the Yale Face Database. Each face image is divided into two parts, the important part and unimportant part, using feature feedback, and the classification performed using the feature mask obtained from feature feedback. Also, we combine face recognition with image compression. The experimental results show that the proposed method works well.     

应用非负矩阵分解和RBPNN模型的掌纹识别方法

提出一种基于非负矩阵分解（NMF）和径向基概率神经网络的掌纹识别方法。NFM是一种有效的图像局部特征提取算法,用于图像分类时能得到较高的识别率。考虑PolyU掌纹图像数据库,应用NMF、局部NMF（LNMF）、稀疏NMF（SNMF）和具有稀疏度约束的NMF（NMFSC）算法分别对掌纹图像进行特征提取,并对提取到的局部特征基图像进行分析对比;在特征提取的基础上,应用径向基概率神经网络（RBPNN）模型对掌纹特征进行分类,分类结果表明了RBPNN模型对掌纹特征具有较好的识别能力。实验对比结果证明了基于RBPNN的NMF掌纹识别方法在掌纹识别中的有效性,具有一定的理论研究意义和实用性。