一种基于共轭梯度交替迭代的协同不变性算法

不变性方法是协同模式识别研究中的一个重要方面,通常情况下,协同试验模式同原型模式间存在模式变形.本文提出一种协同模式识别的不变性迭代匹配算法,在协同网络中匹配问题转化为函数优化问题,采用一种基于共轭梯度的势能函数优化方法,并利用试验模式和仿射参数交替迭代的方法估计最优参数,通过协同神经网络中测试模式和原型模式同化等效的推论,然后由序参量进化方程得到正确的识别结果.相比于传统的频域变换的方法,更接近于人类的认知过程;相比于梯度动力学的方法,能避免有势动力学演化中"伪状态"的出现,最后通过实验验证了算法的有效性和鲁棒性.     

一种协同神经网络不平衡参数的差分优化方法

协同模式识别方法是协同学原理应用于模式识别领域的一种新方法,识别过程中通过调整神经网络的注意参数,能改进系统的识别性能,对协同神经网络参数在不平衡条件下进行优化,能充分利用协同神经网络的自学习能力,以提高识别效果。差分进化作为一种有效的全局近似最优解的搜索算法,具有收敛性好、速度快的特点,文中提出了一种基于差分进化的方法对协同神经网络中参数进行优化,在协同神经网络的参数空间搜索最优参数,采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高算法的寻优能力,新方法具有全局兼局部寻优能力,不易陷入局部极值,同时新方法采用约简的序参量进化参数,使优化算法能有效提高协同神经网结的效率,实际图像的分类识别结果表明,注意参数的变化会导致完全不同的识别结果,另外,本文还将新算法与平衡参数的方法、其它优化的非平衡参数的协同学习算法进行了全局优化能力的比较,采用新方法具有更快的收敛速度和更优的分类识别效果。      

一种图像汉字智能识别机的研究

文章将智能控制与模式识别方法相结合，提出了一种仿人识字行为的图像汉字智能识别机。采用决策控制级、模式识别级和反馈校正并行式结构。决策控制级选择最佳的识别策略和参数．模式识别级进行多分类器结果融合识别，并根据对模式识别级输出的可信度判断结果进行反馈，校正识别方法和参数，最终提高汉字的识别效率。     

一种不平衡注意参数条件下的遗传协同学习算法

本文讨论了目标识别的协同方法在不平衡注意参数条件下的动力学行为,并提出了不平衡注意参数条件下的遗传协同学习算法(GSLA).该算法利用遗传算法的全局最优搜索能力,对协同神经网络的注意参数进行全局优化.对从"车牌识别系统"中得到的数字样本的实验证明:新算法能有效地在注意参数空间搜索全局最优解,挖掘出协同方法在目标识别方面的最大潜能.另外,本文还将新算法与利用奖惩学习算法的协同学习算法进行了全局优化能力的比较,发现新算法具有收敛快和全局最优搜索能力强的特点.     

BP网络参数对模式识别问题影响的研究

利用BP神经网络解决通信信号模式识别问题,在仿真过程中发现BP网络的各种参数对网络性能存在较大影响.并发现了BP网络参数选取的一些规律.     

基于随机森林的群控立体车库运行模式识别研究

运用随机森林算法设计出一种立体车库运行模式识别方法。通过采集当前升降机运行中输入的有效数据,组成原始训练数据,利用随机森林算法建立运行模式识别模型,代入立体车库的运行参数后,得到群控立体车库的运行模式。实验结果表明,随机森林算法在立体车库运行模式识别中,能有效识别出当前运行模式。该算法适用于识别立体车库群控系统的运行模式,具有广泛的扩展性。     

基于物理学的密码体制在保密通信中的作用

重点阐述了基于混沌动力学的混沌加密体制及其在保密通信中的应用。对基于量子物理学的量子加密体制和基于光学信息处理的光学模式识别和密体制的原理、特点及它们的应用作了简要介绍。     

基于仿生模式识别与传统模式识别的 人脸识别效果比较研究

本文实现了一种基于仿生模式识别的人脸识别系统,并将其识别效果同最近邻分类器与不同核函数的SVM进行了分析比较.以ORL人脸库为识别对象,针对有"拒识"的情况下,通过改变不同识别算法的可调参数,在保证参与训练人的正确识别率在大致相同水平的条件下,分析了参与训练人的错误识别率(错识别为参与训练的其他人)与未参与训练人的错误接受率(错识别为参与训练的某人)的优劣.比较结果表明,基于仿生模式识别的方法明显优于其它模式识别方法.     

模式识别方法概述

模式识别技术在社会生活和科学研究的许多方面有着巨大的现实意义,己经在许多领域得到了广泛应用。文中就其理论基础与主要方法作了详细的介绍与阐述。分别介绍了统计模式识别、句法结构模式识别、模糊模式识别、人工神经网络模式识别、模板匹配模式识别、支持向量机的模式识别。     

海杂波中基于扩展分形的目标检测方法

针对海杂波的非平稳性和长相关性,提出一种基于扩展分形多尺度Hurst参数的目标检测算法.该方法首先将扩展分形理论与模式识别中的分类方法相结合,提取杂波和目标的多尺度Hurst参数以构成特征矢量,并引入模式识别中的可分性判据来进行特征矢量的选取,然后采用Bayes分类方法进行目标检测.利用IPIX雷达实测数据的实验结果表明,文中提出的算法比基于分维值的检测算法有更好的检测性能.     

基于分离混合注意力机制的人脸表情识别

近年来,人脸表情识别研究因机器学习的引入取得了显著的进步,但由于光照变化、人脸姿态等原因使得人脸表情识别准确率一直不高。提出了一种基于混合注意力机制网络的方法,把通道注意力和空间注意力机制分离,增强网络的通道特征和跨通道相关性学习能力。在注意力机制后增加软阈值机制以抑制噪声,在网络损失函数中迭加类中心损失减小类内差异,通过预处理提高网络的泛化能力。实验结果表明,该方法在人脸数据集CK+和fer2013上准确率比主流方法更高,所用参数更少,收敛性更好。     

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。      

非协作通信中的3G ALE信号识别研究

3G ALE(Third Generation HF Automatic Link Establishment)通信由于其特有的抗截获和抗干扰性,受到了各国军方的广泛关注,同时也是非协作通信中的一个重要研究课题.为达到识别3G ALE信号的目的,本文首先分析了该信号的音响、载波、持续时间和带宽等基本特性,其次从3G A...     

Improved traffic sign recognition algorithm based on YOLOv4-tiny

This study offers an enhanced yolov4-tiny traffic sign identification method for easy deployment on mobile or embedded devices to address the difficulties of a high number of parameters, low recognition accuracy, and poor real-time performance of traffic sign recognition models in complex scenarios. The yolov4-tiny network serves as the model’s foundation. To begin, Octave Convolution is incorporated into the backbone network to eliminate low-frequency feature redundancy, lowering the number of parameters in the model and enhancing computational efficiency. Second, the convolutional block attention module is employed to improve the recognition accuracy of small and medium-sized targets by strengthening the weights of traffic sign regions and suppressing the weights of invalid features. Finally, in the feature fusion stage, the Feature Pyramid Networks structure is replaced with the Simplified Path Aggregation Network structure to improve the fusing of shallow feature information with deep semantic knowledge and lower the miss detection rate even more On the TT100K data set as well as on CCTSDB dataset, the experimental results suggest that our technique can achieve good recognition performance. With a 16MB model size, our solution improves the mean average precision by 3.5 percent and the Frame Per Second by 12.5 f/s when compared to the yolov4-tiny algorithm. Our method outperforms yolov4-tiny in terms of recognition accuracy and detection speed, and it can easily meet the real-time requirements for traffic sign recognition.     

基于时空注意力网络的中国手语识别

手语识别广泛应用于聋哑人与正常人之间的交流中。针对手语识别任务中时空特征提取不充分而导致识别率低的问题,提出了一种新颖的基于时空注意力的手语识别模型。首先提出了基于残差3D卷积网络(Residual 3D Convolutional Neural Network,Res3DCNN)的空间注意力模块,用来自动关注空间中的显著区域；随后提出了基于卷积长短时记忆网络(Convolutional Long Short-Term Memory,ConvLSTM)的时间注意力模块,用来衡量视频帧的重要性。所提算法的关键在于在空间中关注显著区域,并且在时间上自动选择关键帧。最后,在CSL手语数据集上验证了算法的有效性。     

融入注意力机制的视频多尺度时序融合行为识别模型

视频行为识别算法在特征提取过程中,存在未聚焦视频图像显著区域信息的问题,使模型分类效果不理想。为了提高网络区别关注的能力,提出融入注意力机制的视频多尺度时序行为识别算法模型。在视频长-短时序网络中分别融入通道-空间注意力和通道注意力模块,引入注意力机制使网络在训练过程中重新分配权重,捕捉视频内容与位置兴趣点,提高网络的表达能力。在Something-somethingV1和Jester数据集上的实验结果表明,融入轻量注意力模块的视频多尺度时序融合行为识别网络的性能得到有效提升,与其他行为识别网络相比体现出一定的优势。      

基于坐标注意力机制融合的反无人机系统图像识别方法

反无人机系统是识别和打击“黑飞”无人机的有效手段,图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多,识别准确率不够高的问题,提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先,运用自制设备采集了多种无人机在不同背景下的图片,建立数据样本;其次,设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络,运用设计的网络对小样本进行识别,并进行对比,然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验;最后,将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明,提出的TL-CA4-DenseNet-121网络识别效果优于其他网络,识别的平均准确率为97.93%,F1-Score为0.9826,网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。     

基于多尺度注意力网络的行人属性识别算法

为了提高行人属性识别的准确率,提出了一种基于多尺度注意力网络的行人属性识别算法。为了提高算法的特征表达能力和属性判别能力,首先,在残差网络ResNet50的基础上,增加了自顶向下的特征金字塔和注意力模块,自顶向下的特征金字塔由自底向上提取的视觉特征构建;然后,融合特征金字塔中不同尺度的特征,为每层特征的通道注意力赋予不同的权重。最后,改进了模型损失函数以减弱数据不平衡对属性识别率的影响。在RAP和PA-100K数据集上的实验结果表明,与现有算法相比,本算法对行人属性识别的平均精度、准确度、F1性能更好。