FD+HOG融合人体行为识别

利用全局特征提取与局部特征提取相融合的方法,将傅里叶变换特征与方向梯度直方图特征相融合的算法结合支持向量机(SVM)来识别人体行为。首先将KTH和Weizmann数据集中提取出来的图像做预处理,分别提取出每张图像的傅里叶描述子和HOG特征,然后利用主成分分析法对HOG提取特征降维,最后用FD+HOG的融合特征放入SVM分类器中分类识别。实验结果表明,该算法识别率可达86%以上。     

基于Gabor变换和极限学习机的贝类图像种类识别

研究了基于Gabor变换和二维图像主成分分析(2DPCA)相结合的贝类图像识别方法。对贝类图像进行Gabor变换,提取其图像特征,确定了图像特征维数;采用2DPCA方法,对变换后的特征进行降维,并利用极限学习机(ELM)进行贝类图像的分类识别。与BP神经网络和支持向量机(SVM)实验对比发现,极限学习机分类器用于贝类识别不仅速度极快而且泛化性良好,算法具有较高的精度。     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

基于特征加权模块双方向二维主成分分析的人脸识别

对模块双方向二维主成分分析(Two-directional two-dimensional principal component analysis,(2D)2PCA)人脸识别算法进行了改进,提出了基于特征加权模块(2D)2PCA的人脸识别算法。首先对图像进行分块及(2D)2PCA特征提取。然后依据每一子图像块的特征对识别的贡献程度分配特征权重。最后对测试样本采用加权距离进行最近邻分类。该算法无需任何先验知识,依据子图像块在特征空间中的信息比重确定其贡献程度,从而实现自适应权重分配。试验结果表明:本文算法能够有效地提高人脸识别的正确率。     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

基于三维重力加速器人体动作识别与分类

运用单个动作传感器通过机器学习算法——支持向量机(SVM),建立出色的人体日常动作识别模型.通过3个主要步骤对动作数据进行了处理,即小波转换,基于降维和K层交叉验证的主成分分析(PCA)以及自动寻优搜索获得SVM径向基核函数中的最佳参数σ和c,获得识别6种人体动作的最佳分类器.采用SVM(支持向量机)算法获得的动作分类器,在对不同动作识别时,得出的平均准确率达到94.5%.这表明基于人体动作识别的验证方法具有实用价值的,并在不久的将来会有进一步的提升.     

基于叶片光谱特征的农业区域植物分类

基于农业区域8种植物的叶片光谱数据,提取63种光谱特征变量,并对全波段光谱(原始、一阶微分和包络线去除光谱)提取主成分,分别采用k最近邻(k-nearest-neighbors,kNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种机器学习方法对不同植物进行遥感分类.比较3种方法所得的总精度、训练精度、验证精度及8种植物的生产者精度.结果表明,SVM的分类性能优于kNN与RF;单一的光谱特征变量识别精度都较低(50%);基于主成分分析的一阶微分光谱识别性能优于原始光谱和包络线去除光谱.研究指出,叶片一阶微分光谱与SVM相结合的方法能够准确识别不同植物物种.可为景观或区域尺度的植被遥感分类、精准农业和森林资源调查等提供借鉴.     

不变矩混合核支持向量机的肺结节识别

在形态学特征、灰度特征和纹理特征的13维特征基础上,加入7种不变矩特征来刻画肺结节,采用混合核SVM算法对肺结节进行识别。首先,从CT图像中提取270个包含190个假阳和80个结节的感兴趣区域(ROI),计算ROI的20维特征,然后进行5折交叉验证。最后用混合核SVM算法进行识别。结果表明,混合核SVM算法的准确度(ACC)指标达到94.80%,敏感度(SEN)指标达到87.00%。     

基于AL-RVM分类的主用户信号调制类型识别算法北大核心

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

基于AL-RVM分类的主用户信号调制类型识别算法

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

湖南省主要内生成矿事件的构造格局控矿特征及动力机制

湖南省内生矿产资源丰富,内生成矿事件主要有加里东期(以志留纪为主)、印支晚期(晚三叠世)、燕山中晚期(晚侏罗世—早白垩世)等3期。以区域矿产资料为基础,结合大地构造、成岩成矿年龄、矿床成因机制等研究成果,对上述3期内生成矿事件的构造格局控矿特征和动力机制进行探讨。①受加里东运动自东南向西北扩展以及深部岩石圈结构差异控制,加里东期湖南省自东南往西北分为成矿特征有别的3个构造带。湘中—湘东南构造岩浆带(Ⅰ)发生后碰撞花岗质岩浆活动,于局部产生与岩浆活动相关的W、萤石等成矿作用; 雪峰构造带(Ⅱ)东部的雪峰冲断带(Ⅱ₁)形成了以构造活化成因为主的金矿和锑金矿; 雪峰构造带(Ⅱ)西部的武陵低缓褶皱带(Ⅱ₂)及湘西北构造抬升带(Ⅲ)内形成了与寒武纪同沉积断裂活动、加里东运动后的伸展活动以及相应的热液活动有关的汞铅锌矿。②印支晚期受深部岩石圈结构差异控制,湖南省自东南至西北分为3个构造带:湘中—湘东南构造岩浆带(Ⅰ)因后碰撞减压熔融而发生大规模花岗质岩浆活动,从而于其东南部形成钨锡铅锌多金属矿床,西北部形成锑金钨多金属矿床; 雪峰构造带(Ⅱ)可能无内生热液成矿作用; 湘西北褶皱带(Ⅲ)发育小型脉型铅锌矿。③燕山中晚期,湖南省自东南往西北分为3个构造带:湘中—湘东构造岩浆带(Ⅰ)受岩石圈拆沉、软流圈上隆、陆内碰撞后期增温减压、俯冲板块崩塌等深部构造作用控制而发生大规模花岗质岩浆活动,形成了大量的有色金属矿床和金矿床; 雪峰西部构造带(Ⅱ)成矿作用弱,局部存在Au、Hg成矿作用; 湘西北褶皱带(Ⅲ)发育少量低温热液充填型萤石矿和砷矿。     

面向情感语音识别的情感维度PAD预测

针对现有的情感特征仅从信号的角度对情感进行分析,不能直观反映情感状态的问题,提出将连续情感维度PAD引入情感识别. 实验样本选用TYUT2.0数据库和柏林语音库中的3种情感（悲伤、愤怒和高兴）,提取情感特征（韵律特征、共振峰、MFCC和非线性特征）. 为了获取客观、精确的PAD维度,利用灰色关联分析（GRA）选取影响P、A、D的主要特征,通过主成分分析（PCA）提取主要特征的主成分,将主成分作为最小二乘支持向量机（LSSVM）的输入预测P、A、D. 分别对情感特征、PAD维度及它们的融合,采用支持向量机进行情感识别. 实验结果表明,该预测方法在一定程度上提高了对P、A、D的预测精度,预测值可以有效识别情感,对情感特征在情感识别方面有一定的补充作用.     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

基于HMM和PNN的语音情感识别研究

语音情感识别是从语音的角度赋予计算机理解情感特征的能力,最终使计算机能像人一样进行自然、亲切和生动的交互。提出了一种融合隐马尔科夫模型（hidden markov model,HMM）和概率神经网络（probabilistic neural network,PNN）的语音情感识别方法。在所设计情感识别系统中,提取出基本的韵律参数和频谱参数,利用PNN处理声学参数的统计特征,利用HMM处理声学参数的时序特征,运用加法规则和乘法规则融合了统计特征和时序特征的识别结果。实验结果显示,所提出的算法在语音情感识别中具有有效的识别能力。     

Audio-visual emotion recognition with multilayer boosted HMM

Emotion recognition has become an important task of modern human-computer interaction. A multilayer boosted HMM ( MBHMM) classifier for automatic audio-visual emotion recognition is presented in this paper. A modified Baum-Welch algorithm is proposed for component HMM learning and adaptive boosting ( AdaBoost) is used to train ensemble classifiers for different layers ( cues) . Except for the first layer,the initial weights of training samples in current layer are decided by recognition results of the ensemble classifier in the upper layer. Thus the training procedure using current cue can focus more on the difficult samples according to the previous cue. Our MBHMM classifier is combined by these ensemble classifiers and takes advantage of the complementary information from multiple cues and modalities. Experimental results on audio-visual emotion data collected in Wizard of Oz scenarios and labeled under two types of emotion category sets demonstrate that our approach is effective and promising.     

基于离散度准则的人脸局部特征权值学习算法

提出了一种利用离散度准则计算人脸局部特征权值的方法.在利用局部特征进行人脸识别的算法中,可以依据各个局部特征对人脸识别贡献的大小,对每一个局部特征分配不同的权值,以此来提高识别效果.从模式识别的角度来看,易于分类的局部特征对人脸识别有较大的贡献,反之亦然.在特征空间中,当类内模式较密集,不同类模式相距较远时,模式特征易于分类.离散度矩阵的迹描述了模式特征的分散程度,通过运用统计学习的方法,以类内离散度矩阵之逆和类间离散度矩阵的乘积的迹作为衡量局部特征分类性能的依据,根据局部特征的分类性能来确定其权值.试验结果表明该算法可行,采用离散度准则计算的局部特征权值能够明显提高人脸识别率.与同类算法相比,该方法具有计算简便、易于实现等优点.     

融合语音信号和脑电信号的多模态情感识别

为构造有效的情感识别系统,通过声音刺激分别诱发出高兴、悲伤、生气以及中性4种情感,并采集相应的语音信号和脑电信号。首先,利用相空间重构技术提取脑电信号和语音信号的非线性几何特征和非线性属性特征,并结合两者的基本特征分别实现情感识别;然后,通过构建基于限制玻尔兹曼机的特征融合算法,从特征层融合的角度实现多模态情感识别;最后,利用二次决策算法从决策融合的角度构建多模态情感识别系统。实验结果显示,从特征融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高1.08%和2.75%;从决策融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高6.52%和8.19%;决策融合相比特征融合构建的多模态情感识别系统整体识别效果更优。因此,融合语音信号和脑电信号等不同来源的情感数据可以构造出更有效的情感识别系统。     

嵌入注意力机制并结合层级上下文的语音情感识别

由于情感语料问题、情感与声学特征之间关联问题、语音情感识别建模问题等因素,语音情感识别一直充满挑战性.针对传统基于上下文的语音情感识别系统仅局限于特征层造成标签层上下文细节丢失以及两层级差异性被忽略的缺陷,本文提出嵌入注意力机制并结合层级上下文学习的双向长短时记忆(BLSTM)网络模型.模型分3个阶段完成语音情感识别任务,第1阶段提取情感语音特征全集后采用SVM-RFE特征排序算法降维得到最优特征子集,并对其进行注意力加权;第2阶段将加权后的特征子集输入BLSTM网络学习特征层上下文获得最初情感预测结果;第3阶段利用情感标签值对另一独立BLSTM网络训练学习标签层上下文信息并据此在第2阶段输出结果基础上完成最终预测.模型嵌入注意力机制使其自动学习调整对输入特征子集的关注度,引入标签层上下文使其联合特征层上下文实现层级上下文信息融合提高鲁棒性,提升了模型对情感语音的建模能力,在SEMAINE和RECOLA数据集上实验结果表明:与基线模型相比RMSE和CCC均得到较好改善.     

Multimodal spontaneous affect recognition using neural networks learned with hints

A multimodal fusion classifier is presented based on neural networks （NNs） learned with hints for automatic spontaneous affect recognition. In case that different channels can provide com- plementary information, features are utilized from four behavioral cues： frontal-view facial expres- sion, profile-view facial expression, shoulder movement, and vocalization （audio）. NNs are used in both single cue processing and multimodal fusion. Coarse categories and quadrants in the activation- evaluation dimensional space are utilized respectively as the heuristic information （hints） of NNs during training, aiming at recognition of basic emotions. With the aid of hints, the weights in NNs could learn optimal feature groupings and the subtlety and complexity of spontaneous affective states could be better modeled. The proposed method requires low computation effort and reaches high recognition accuracy, even if the training data is insufficient. Experiment results on the Semaine nat- uralistic dataset demonstrate that our method is effective and promising.