基于WT/ICA和神经网络的人脸识别方法

提出了一种基于WT/ICA和神经网络的人脸识别方法.首先利用小波分析提取原始图像的低频子图,然后利用独立分量分析(ICA)进行特征提取,最后采用径向基函数(RBF)神经网络进行分类和识别.实验表明该方法提高了人脸的识别率.     

基于改进BP神经网络的图像识别系统

本文提出了一种基于改进BP神经网络的图像识别方法。为提高BP网络的运行效率，先将图像进行滤波和降维处理，再运用独立成分分析（ICA）提取图像的独立成分，将原来较大的图像数据压缩成为一组彼此独立的输入变量。然后，采用改进的三层BP神经网络对输入变量进行训练。这样将ICA的空间局部特征提取功能和BP网络的自适应功能有机地结合起来，增强了系统的鲁棒性。数值仿真表明，该方法的图像识别率可达到91．2％。     

ICA结合纹理特征的SVM盐渍化信息提取研究

以渭干河-库车河三角洲绿洲为例,利用ETM+数据,探讨了该绿洲盐渍化土地覆盖信息的提取方法。提出了基于ICA与纹理特征的SVM复合的分类方法（简称ICA-T-SVM法）,通过此方法对该绿洲进行分类研究,并将分类结果与基于ICA的SVM法（简称ICA-SVM）、单源数据（光谱）SVM法、最大似然法（MLC）、神经网络法（Neural Network）分类结果进行定性和定量比较分析。研究结果表明：该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题,并对高纬输入向量具有较高的推广能力。总精度达到93.418 3%,比基于ICA的SVM法提高了3.412 3%,比单源信息的SVM分类法提高了3.423 7%,比最大似然法提高了4.979 6%,比神经网络法提高了7.714 4%,取得了良好的效果。与传统的分类方法的比较表明,文中所提出的分类方法具有明显的优越性和良好的前景,因此该方法更适合于遥感图像分类和盐渍化信息提取,是地物遥感信息提取的有效途径。     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

基于协方差ICA分析的多重振荡源分离方法

提出一种新的基于协方差独立源分析（ICA）的多重振荡源分离定位方法.把控制系统中受到振荡干扰的过程数据变换到协方差函数,利用ICA分析的方法进行多重振荡源分离.通过仿真实验对比分析,指出其他时域主元分析（PCA） 、时域ICA、协方差PCA等方法的不足,而协方差ICA分析能够准确地分离并定位多重振荡干扰源.仿真结果表明该方法是可行的.     

一种改进的基于ICA特征子空间的目标识别方法

介绍了独立分量分析（ICA）的基本原理和算法，并提出了基于独立分量分析的特征子空间的目标识别方法。该方法首先利用快速独立分量分析（FastICA）算法对训练集目标图像进行ICA分解，据此建立特征子空间，然后根据待识别图像在特征子空间的投影系数进行判别。本文的改进在于根据类内类间距离比值最小化准则进行最有利于分类的特征的优化选择。实验结果显示，和传统方法相比，改进的方法能有效提高识别的准确率和效率。     

独立元及小波分析估计多元系统状态变量

结合状态空间描述，利用独立元分析（ICA）方法对状态变量进行估计．解析和算例验证表明。按照状态变量数目计算的ICA分量是状态变量的良好估计，非线性误差得到降低．在含噪声系统中，结合小波去噪可去除ICA无法去除的噪声，获得状态变量的估计值，显著提高信噪比;噪声可以削弱非线性引起的误差，采用先获取状态变量，后小波去噪的方法。能得到更好的状态变量估计值．     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

一种新的多人脸检测方法研究

自动人脸检测是人脸识别系统的一个重要部分,本文提出了一种新的基于独立成分分析（ICA）和多项式神经网络（PNN）相结合的人脸检测方法,该方法首先在训练样本中使用ICA分离出代表人脸和非人脸特征子空间的独立影像基,把训练图像映射到该子空间降维后作为PNN网络的输入训练网络;对测试图像采用移动多尺度窗口提取图像模式,采用ICA降维后输入PNN网络,进而分类检测出人脸和非人脸。算法通过CMU-MIT的复杂背景人脸库中的多人脸图像进行实验,得到很高的检测率和较低的误检率.     

基于独立源分析的过程监测方法

多元统计过程控制要求观测数据服从正态分布，而实际的5-业过程数据大都不满足正态分布条件.独立源分析（ICA）近几年才发展起来的一种新的统计方法，可以克服对数据分布的依赖性．对此，以ICA算法为核心，引入一种新型的过程监测方法，应用ICA提取独立源，利用I^2图，Ic^2图和SPE图进行故障检测．最后以3水箱系统为例进行了实验研究，取得了很好的效果．     

基于独立分量分析和神经网络的人脸识别方法

提出了一种独立分量分析(ICA)和BP神经网络相结合的人脸识别方法(ICABP法),其中人脸图象独立基的提取采用快速独立分量分析方法(FastICA),BP网络采用改进的三层网络结构。该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性。实验表明,ICABP法明显提高了人脸的识别率。     

组合局部多通道Gabor滤波器和ICA的人脸描述与识别

针对人脸识别是当前人工智能和模式识别的研究热点,提出了一种组合局部Gabor滤波器组和ICA技术(简称LMGICA)的人脸描述方法,首先对归一化的人脸图像进行采样分块,然后对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor 幅值域图谱(local Gabor magnitude map,LGMM),接着由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析进行降维;最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于识别分类。通过与经典Ga     

基于串并行混合神经网络的汽车胎号识别方法

汽车胎号识别系统要求胎号识别方法具有极高的识别正确率和置信度。文章对胎号识别方法进行了研究,以汽车胎号识别为背景,对大量的胎号字符图像样本进行特征量提取,研究了并行组合网络和仿串行组合网络的识别性能,并结合这两种组合网络的优点,提出了一种串并行混合神经网络,第一级为并行组合网络,第二级为单级网络且其识别分类的对象仅为前一级网络拒识的胎号样本。大量的胎号样本识别实验表明,串并行混合组合神经网络的识别正确率和置信度可达到99.2%和99.5%。     

基于深度学习的人体动作识别方法

对基于机器视觉的人体动作识别的成果进行研究,为提高视频数据集中人体动作的识别率,提出一种改进的深度网络模型。采用稠密光流方法处理数据,结合二维卷积神经网络(2DCNN)、三维卷积神经网络(3DCNN)和长短期记忆神经网络(LSTM)对动作特征进行提取,利用Softmax分类器识别分类。通过KTH数据集进行实验对比验证,分析结果表明,改进模型相比其它已有模型具有更高的识别率,动作识别效果更优。     

基于独立分量分析和BP网络的电子鼻模式识别

为了提高电子鼻对混合气体的识别率,针对气体传感器阵列的交叉敏感特性,探讨了在电子鼻系统中基于独立分量分析(ICA)算法与BP神经网络相结合进行模式识别的可行性。并对4个气体传感器组成的电子鼻对4种气体混合物所测得的原始数据进行处理,结果表明:ICA算法对数据进行有效预分类,减少了样本之间的相关性,将生成的新样本作为BP网络的输入,使网络结构简化,在保证一定正确率的前提下,大大提高网络的学习速度。利用该方法可以提高电子鼻识别混合气体的准确率。     

基于跨连接LeNet-5网络的面部表情识别

为避免人为因素对表情特征提取产生的影响,本文选择卷积神经网络进行人脸表情识别的研究.相较于传统的表情识别方法需要进行复杂的人工特征提取,卷积神经网络可以省略人为提取特征的过程.经典的LeNet-5卷积神经网络在手写数字库上取得了很好的识别效果,但在表情识别中识别率不高.本文提出了一种改进的LeNet-5卷积神经网络来进行面部表情识别,将网络结构中提取的低层次特征与高层次特征相结合构造分类器,该方法在JAFFE表情公开库和CK+数据库上取得了较好的结果.     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别.     

基于移动端的场景分类模型

对移动神经网络进行研究,在此基础上提出一种端到端的高效运行于移动端的场景分类模型。在同一个网络中使用多分辨率输入的方法进行训练,在预测时只将原图处理到指定分辨率,不进行multi-crop预测;将网络在中层提取的局部信息和在高层提取的全局信息进行融合;根据提出的相似类知识迁移的模型压缩方法对网络进行训练。实验结果表明,与现有的移动神经网络相比,该模型的识别准确率更高。与端到端的场景分类模型相比,该模型能在模型大小只有其1%的情况下取得同等或更高的识别准确率。