基于KPCA光谱特征约束的水边线提取算法

为充分利用遥感影像的多波段光谱特征,提高水边线的提取精度,提出了基于核主元分析（KPCA）光谱特征约束的水边线提取模型。利用KPCA变换提取水体样本的光谱特征,采用最大似然法估计特征空间中水体光谱特征概率密度函数的特征参数,进而构建水体的光谱特征项。以测地线活动轮廓（GAC）模型为基础,建立图像数据项。结合光谱特征项和图像数据项建立水边线提取模型。在Landsat TM数据集上进行的水边线提取实验验证了算法的有效性,与GAC模型和基于距离正则化的水平集方法（DRLSE）相比较,该算法提取的水边线,在保证一定运行速度的情况下,更准确。     

基于MV-PearlNet的珍珠细粒度分类方法

提出多视图卷积神经网络模型MV-PearlNet,替代人工进行细粒度珍珠分类.该模型采用并行化处理方式,针对珍珠的多个视角图片提取特征,可提升珍珠图片的特征提取效果,并且采用中间层特征融合作为珍珠的特征表达.在训练集数据量有限的情况下,通过MV-PearlNet结合K-means方法,将无监督聚类算法应用到提取得到的特征中,并利用相似度计算完成自动类标学习,这些操作起到了扩充数据集的作用,有助于改善深度分类模型因为训练集不足导致的欠拟合问题,可提高模型的分类准确率.实验结果表明,相比于主流卷积神经网络模型,MV-PearlNet对珍珠细粒度图片的分类准确率有明显的提高.     

基于KP CA和改进GBRT的室内定位算法

针对无线局域网络易受室内环境等因素影响,导致室内定位误差较大的问题,提出了一种基于KPCA(Kernel Principal Component Analysis)和改进GBRT(Gradient Boosting Regression Tree)的室内定位算法,离线训练阶段,通过KPCA算法,利用其核函数提取原始位置指纹向量主成分,最大限度地保留其非线性特征信息,并通过改进GBRT算法,利用其自助抽样法将训练集均匀抽样为多个子训练集,每一子训练集依据GBRT算法构建一个室内定位回归模型,最终根据多个子训练集构成强回归模型,在线阶段,对实时测量的信号强度进行KPCA变换,并根据离线回归模型计算结果的众数预测实时位置。实验结果表明,平均定位误差可低至1.16ｍ,与SMN-PCA和RVM-PLS算法相比,定位准确率分别提高了12.8％和10.1％。     

结合KPCA和多尺度纹理的IKONOS遥感影像决策树分类

城市地物类型多样,空间分布复杂,具有很强的非线性特征。核主成分分析(KPCA)通过将特征空间映射到高维核空间,可以表达图像像素间的高阶关系,因而可以提取图像的非线性特征,同时提供一组相互独立的主成分。本文在加入多尺度纹理特征的基础上,以应用地物分布的空间细节信息;且利用核主成分分析(KP-CA)方法对光谱和纹理量提取非线性特征信息,增大类别之间的可分性;并结合决策树分类方法对IKONOS遥感影像分类。实验结果表明:KPCA能很好提取地物之间的非线性特征,结合KPCA和多尺度纹理的决策树分类方法能有效地提取地物类型,提取精度为79.3%,KAPPA系数为0.763.     

基于粒子群训练的人工神经网络应用于多光遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法.该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类.该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点.实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度.     

LED芯片自动分选系统中的视觉定标问题研究

本文针对LED芯片分选系统的成像系统的特殊条件及较高的精度要求,进行了视觉定标模型的计算和构建.根据共面约束进行简化,推导出了新的带有两种一阶畸变的非线性视觉定标模型.提出了多段式"求解范围-优化"的模型求解方法,并针对模型的非线性优化问题,设计了相应的遗传算法优化解法.并设计了适用于LED芯片分选系统的实验方法.实验结果完全满足LED芯片分选系统的精度要求.本文所提出的方法,对于其它的摄像系统模型参数求解也具有很大的意义1.     

基于KPCA的多变量时间序列数据异常检测方法研究

介绍了一种采用的KPCA技术获取多变量时间序列数据高维特征空间的主成方向矢量,使用主成方向矢繁内积作为异常的度量,并采用vMF分布表征主成方向矢量分布来进行多变量时间序列数据异常检测的方法;检测过程中使用历史数据训练获取分布模型的参数估计,通过计算实际数据主成方向矢量在训练模型的概率来判断异常的发生;与传统的异常检测方法相比,该方法不依赖先验的专家知识,且能够通过训练学习自动调节模型参数,可用于不同系统的异常检测中;实验表明,该方法具有较高的有效性.     

基于PSO-SVM的地震信号分类识别研究

针对地震信号难以分类识别问题,运用了粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)方法,建立了以小波包分解求出的奇异值熵分量为特征输入的PSO-SVM模型.实验中以天然地震和人工爆破这两类地震信号进行,为了验证方法,文中开展了两种类型的实验——分别以单份波形和整个事件为识别单元,仿真实验结果表明,在以奇异值熵分量为特征中,PSO-SVM模型能有效地对地震信号进行分类识别.     

一种有效的实时语音识别确信度判决方法

语音识别系统的确信度判决用于对未登录词(Out-of-Vocabulary,OOV)的拒识.本文提出了一种有效的确信度判决的方法.在本方法中包含了两种模型:填充模型和噪声模型.填充模型能对无关语音进行拒识;噪声模型则用于强化对噪声的拒识,联合使用两种模型起到了较好的拒识效果.这两种模型中使用的声学模型单元均利用基本识别器已有的模型单元,无须额外的训练数据和单独训练.本文设计了一遍识别过程,识别和确信度判决在一次过程中完成,使系统的运算量增加极小.实验结果表明该方法能有效地处理OOV问题.     

基于自回归模型的动态表情识别

采用几何信息和纹理信息融合的混合特征,基于自回归(AR)模型,提出一种基于线段的相似度判决方法实现动态表情识别.首先在6种基本表情的图像序列训练集上进行训练得到6种AR模型,然后给定测试表情序列,对每一个测试序列通过6种AR模型生成6种预测序列,接着比较每种预测序列与实际给定序列的相似性,最终根据相似性判断所给序列的表情类别.为了更好地比较预测序列与给定序列的相似性,提出了一种基于线段的相似度判决方法.基于Cohn-Kanade+人脸表情库进行实验结果表明,该方法在动态表情识别上取得了良好的效果.