基于BP神经网络的公路隧道视频火焰识别

为提高基于视频图像的公路隧道火灾火焰识别率,在对火焰动态特征研究成果之上,利用BP神经网络融合火焰静态特征,对公路隧道视频火焰进行综合识别.火焰动态特征选取作者研究的火焰边缘运动量(AMFE)和火焰区域跳动特征,火焰静态特征选取前人研究的尖角数目、火焰颜色特征和圆形度.将此5种火焰特征作为BP神经网络的输入,达到融合火焰多特征信息并实现火焰综合识别的目的.实验结果表明,火焰识别率稳定在86.2%~96.5%之间,验证了该方法的可靠性.     

基于特征融合和集成学习的隧道内车辆视频识别方法

随着数字视频技术在交通领域的广泛应用,视频车辆识别成为了一个"ITS"领域的基础问题.视频图像中的车辆识别是一个典型的分类学习问题,针对这一问题,提出一种基于特征融合和集成机器学习的车辆识别算法.该方法首先获取视频序列中的兴趣区域;然后对兴趣区域提取纹理特征、Hu不变矩特征和小波特征,将这些特征组合成一种新的特征向量;然后将组合特征向量作为BP神经网络输入进行训练得到基分类器,最后利用Adaboost方法将BP神经网络集成得到强分类器.对所用方法进行了实验对比分析,其统计正检率、误检率、漏检率以及准确率等多参数结果均优于其他两种算法,实验验证该方法具有较好的识别率和鲁棒性.     

基于GA-BP网络的脑电与心电融合疲劳识别算法研究

针对脑电信息在识别疲劳时不能完全反应疲劳状态和传统BP神经网络识别率低的问题,提出了一种基于改进GA-BP神经网络的脑电信号与心电信号融合的疲劳识别算法,运用到单兵精神疲劳状态的预测.首先,利用无线数据采集装置进行脑电和心电的数据采集.然后,对生物电数据进行伪迹去除和噪声滤波的数据预处理,利用小波包变换和Pan-Tompkins算法分别对脑电和心电数据进行特征提取,再将高维特征数据进行PCA降维来加快网络的学习速度.最后,将遗传算法优化后的改进BP神经网络参数作为其初始权重和阈值进行疲劳预测.疲劳实验对30位受试者的疲劳状态进行了识别预测,结果表明:融合了两种生物电信号的改进GA-BP网络模型的识别正确率为90.8%,优于传统BP神经网络和支持向量机的识别率.     

基于BP神经网络的驾驶精神疲劳识别方法

为了对驾驶精神疲劳予以有效识别,基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法．以驾驶行为绩效为客观测评指标,给出了驾驶精神疲劳状态的分级划分方法．在此基础上,以心率变异性的6项指标作为疲劳识别特征因子,采用BP神经网络模型,建立了驾驶精神疲劳状态分类器．最后结合实例,依据驾驶行为绩效,将疲劳状态划分为2级,采用10名驾驶员连续4 h的驾驶行为绩效(反应时)、心电数据,对模型、方法予以测算．结果表明,10名驾驶员平均正确识别率在71％～80％之间,且其平均正确识别率为73％．BP神经网络模型与心率变异性指标相结合可有效的识别疲劳．     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.     

基于BP神经网络的汽车牌照识别

提出了一种用BP神经网络实现车牌文字识别的方法。因车牌上文字仅是黑体印刷字体，在特征提取时采用了Fourier投影-变换系数法求得其特征矢量；车牌文字分布具有规律性，采用并行算法对BP网络分类器进行了处理；引入动态因子，动态调整BP算法的学习步长。实践证明，利用BP神经网络可有效识别车牌，且速度快，识别率高，具有较高的实用价值。     

多重图像轮廓特征结合的步态识别算法

为提高图像步态识别率,研究了一种基于图像轮廓多特征的步态识别算法.该算法首先从图像轮廓的基础上选取了图像步态的3个特征;然后,通过建立不变矩、帧差百分比的动态特征,并结合改进的角度距离的静态特征,实现了图像轮廓特征的提取;最后,通过对传统的K近邻法改进,完成了图像步态识别.实验结果表明:单用静态特征的步态识别率最高为91.94%;结合动态特征,并在改进分类器下获得最高为99.19%的识别率.     

一种改进的BP算法及其在模式识别中的应用

针对前馈神经网络中传统BP算法的局限性，给出了一种改进的BP算法，选取了一种新的误差函数，并对其参数进行了动态自适应调整．通过比较，改进的BP算法收敛特性明显优于传统的BP算法．实践证明，将上述算法应用于对工业零件的识别当中，可有效提高识别速度和识别正确率约17％．     

基于时空局部特征融合的人体行为识别

为了实现对公共区域等特定场所下的人体正常行走、跑动、挥拳、双手挥舞等人体行为的识别,提出了一种基于时空局部特征融合的人体行为识别方法.首先,对各种目标行为建立样本库,将不同类别的目标行为样本作为先验知识,以此训练支持向量机;然后通过高斯混合模型来检测运动前景,接着提取运动目标的区域特征和运动特征,通过K-L离散变换对两者进行特征融合;最后结合支持向量机具有全局最优性和较好泛化能力的特点,进行小样本的多目标行为分类识别,并和BP神经网络的识别效果进行比较.实验结果表明,SVM的识别率优于BP神经网络,其平均识别率可达96%.     

一种识别表情序列的卷积神经网络

传统的人脸表情识别方法需要人为指定特征训练方向,卷积神经网络方法虽然可以自动训练分类特征,但是存在无法识别表情序列的弊端．针对此问题,运用一种多网络融合技术,使构建的网络能够对表情序列进行识别．网络构建方法为:首先构建多个卷积神经网络,使每个网络处理一帧图片;然后将处理结果在融合层进行融合;最后通过一个分类器输出识别结果．在CK+人脸表情数据库上,分别对3帧、4帧和5帧表情序列进行实验,均获得了较高的识别率．     

基于SVM分类的云集群失败作业主动预测方法

提出了一种使用支持向量机（SVM）模型预测作业终止状态的方法.以Google数据集为研究对象,首先分析作业终止状态的影响因素,提出使用作业的静态特征和动态特征作为终止状态分类的特征向量,选择SVM模型主动预测终止状态;然后从特征向量和分类模型2个层面对准确率、假负率、精确度指标进行验证.特征向量实验结果表明,基于静态和动态特征的SVM预测模型比单独使用静态特征和动态特征,分别提高0.94%、-0.01%、1.35%和9.08%、-1.36%、10.91%.分类模型的比较结果显示,SVM分类预测方法比传统的神经网络模型、朴素贝叶斯模型、逻辑回归模型的预测效果好.     

基于GMM与三维LBP纹理的视频火焰检测

针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model, GMM)与三维的局部二值模式(local binary pattern, LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的三维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine, One-class SVM)分类方法,判定候选区域是否为火焰。     

早期火灾火焰尖角计算算法的研究

图像型火灾探测技术相对于传统火灾探测方法有诸多优势,适合大空间、大面积或野外环境,恶劣环境等条件下火灾的探测。早期火灾的判别多采用多个判据,如火焰面积,边缘变化等。火焰尖角数目和圆形度是早期火灾火焰的重要边缘特征。各识别判据的准确计算可以得到更加准确的火灾识别效果。通过火焰面积和圆形度两个判据判断火灾还存在一定的误判。火焰尖角数目配合其它两个判据可以有效地提高火焰的识别准确性,减少误判。     

研究生论坛--基于超声射频RF信号的脂肪肝分级量化方法研究

采用时域、频域分析方法和模式识别技术基于肝脏超声射频信号,探讨一种新的脂肪肝分级量化方法,尤其针对目前较难鉴别的轻度脂肪肝。选取肝脏部位感兴趣区域内的超声射频信号,然后利用时域和频域分析技术,提取多个特征量,如期望值、低频小波系数均值和小波模极大值均值。并采用BP神经网络进行脂肪肝识别量化。实验结果表明,期望值、低频小波系数均值和小波模极大值可以有效地描述超声射频信号特征,其中正常肝识别率达90.0%,轻度脂肪肝识别率达86.7%,中度脂肪肝识别率达83.3%,重度脂肪肝识别率达90.0%。实验证明超声射频信号在脂肪肝的诊断中是有意义,为计算机辅助诊断脂肪肝提供了一个新的方向。     

基于神经网络的产品造型美学特征识别与修正

根据产品造型的要求,总结出若干美学特征并构造该特征与美学评价的对应关系,利用人工神经网络的非线性映射能力,建立各种特征组合与相应造型美度等级的映射关系,从而实现基于神经网络的产品造型美学特征识别与修正。网络训练完成后,可针对新特征对产品的造型美度等级进行评价,进而对不良特征进行修正。神经网络采用一种综合改进的BP网络,并进行了动量项自适应调整的改进。通过算例表明,该方法是有效的。     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

采用Anchor-Free网络结构的实时火灾检测算法

为了解决现有的火灾检测算法中模型复杂,实时性差,检测精度较低的问题,提出快速高效的火灾检测算法. 该算法采用Anchor-Free网络结构,克服了Anchor方法中超参数过多、网络结构复杂的缺点;选用MobileNetV2作为基础特征提取网络,满足了检测的高实时性需求;针对火焰目标的形状、尺度多变的特点,设计适合于火焰检测的分类与边框预测子网络;引入特征选择模块,在特征金字塔网络中自动选择更合适的金字塔特征层. 算法在自建数据集上的检测精度达到90.1%;在公开数据集上取得了较好的检测结果,其检测速度可达24.6 帧/s. 实验结果表明,算法的网络模型简单,检测精度较高,检测速度较快;综合性能优于现有的其他火灾检测算法.     

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类.实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值.     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.