在线草图识别中的用户适应性研究

提出一种在线草图识别用户适应性解决方法，该方法分别采用支撑向量机主动式增量学习和动态用户建模技术进行笔划和复杂图形的识别．支撑向量机主动式增量学习方法通过主动“分析”用户增量数据，并根据用户反馈从中选择重要数据作为训练样本，可有效地鉴别用户手绘笔划特征，快速地识别用户输入笔划．动态用户建模技术则采用增量决策树记录草图的笔划构成及其手绘过程，有效捕捉用户的复杂图形手绘习惯，进而利用模糊匹配在草图绘制过程中预测和识别复杂图形．实验表明：该方法具有很好的效果，为解决在线草图识别及其用户适应性问题提供参考．     

基于VGG-CapsNet的零件手绘草图识别模型

针对概念设计阶段现有CAD系统难以通过手绘草图准确匹配对应的零件的问题,提出预训练网络(VGG)与胶囊网络(CapsNet)相结合的零件手绘草图识别模型(VGG-CapsNet).招募了5名设计师绘制零件草图,构建包含标准件和非标件在内的23类零件手绘草图数据集;设计了组间实验与组内实验,分别构建基于VGG-CapsNet的零件手绘草图识别模型,并与rVGG-13模型、rCNN-13模型的识别结果进行比较.实验结果表明,VGG-CapsNet模型在组间和组内实验中的平均准确率均高于其他2种模型,为零件设计知识的检索与重用提供技术支持.     

手绘草图识别中的相关反馈方法

手绘草图是人类思维外化和表达设计意图的有效工具之一,手绘草图的模糊性和用户适应性问题是草图识别中的关键问题。本文提出了将相关反馈机制引入到手绘草图识别中以捕捉用户意图的方法,该方法以抽取手绘草图的向量化特征为基础,首先利用基于图形特征的相似度计算,给出手绘草图候选识别结果集,然后借助用户对识别结果的相关性评价,通过逐渐调整图形构成特征的权重来捕捉用户输入意图,并提高识别效果。实验表明本文所提出的方法具有很好的效果。     

一种基于图匹配的复杂草图识别方法

复杂草图识别是手绘草图输入中的一个困难任务。现存的草图识别方法强调的是图形对象简单．但这不适合具有不同复杂性的复杂草图的识别。本文对具有不同复杂性的复杂图形对象提出一个基于图形的统一表示法，文中根据不同信息枉度将复杂图形分别转化为空间关系图(SRG)。文中提出了一个约束的部分枚举．以减小识别复杂草图时匹配SRG的状态空间。实验结果显示．我们的方法可适用于具有不同复杂度的各种复杂图形对象的识别。     

在线手绘草图识别中的用户建模方法

提出了一种在线手绘草图识别的用户建模方法。该方法首先利用用户输入笔划的速率和曲率特性进行笔划特征点抽取和笔划分段,从而将用户的输入草图分解成基本图元表示;进而,利用决策树收集和记录用户输入草图的时序信息,实现对复杂手绘草图的用户建模和在线识别,并通过对用户输入模式使用频率的统计实现对用户模型的动态管理和更新。实验表明:该方法不仅能显著提高复杂图形的识别效率,而且具有在线训练能力。     

在线草图识别中用户手绘习惯建模方法

手绘草图是概念设计和思路外化的一种高效的表达方式。用户绘制草图时存在的多种形式，及其随意性和模糊性使得用户适应性问题逐渐成为草图识别的核心课题。本文提出了一种在线草图识别的用户建模方法来捕捉绘制草图时的用户习惯，主要包括两个方面的内容：一是基于SVM的主动式增量学习方法，二是基于动态用户建模的手绘复杂图形的识别方法。前者与传统的增量式学习方法相比，在识别精度相同的情况下所需的训练时间和训练数据集要少得多。后者则是基于笔划信息以及笔划间的顺序和空间关系信息，采用增量式决策树捕捉用户的输入习惯和过程信息。实验证明了本文方法在在线草图识别中的有效性和高效性。     

基于贝叶斯网络的在线草图识别算法

针对手绘草图识别算法大多采用限制用户绘制习惯来实现笔画分组的问题,提出一种基于贝叶斯网络的手绘草图识别算法。该算法将手绘草图识别中的笔画分组和符号识别统一为一个过程,用贝叶斯网络拓扑结构来表达草图结构信息。基于该网络,根据最大后验概率对连续输入的笔画进行动态最优分组,同时在线预测每组笔画的符号类别。实验结果表明,该方法是一种有效的在线递进式笔画分组和识别算法,在电路符号手绘识别中达到71.3%的过程识别率和85%的最终识别率。     

基于用户建模的手绘草图识别

在线草图识别包括预处理、特征提取、图形规整和用户建模等几个方面的问题。其中用户建模是手绘草图识别的核心和关键问题。提出了一种在线草图识别用户建模方法,方法用动态用户建模技术进行笔划和复杂图形的识别。方法采用增量决策树记录草图的笔划构成及其手绘过程,实现对复杂手绘草图的用户建模和在线识别。实验表明所提出的方法不仅能得到较好的检索结果,而且具有较好的用户适用性     

基于聚类的在线手绘坐标系识别

本文研究在线手绘坐标系识别问题,讨论如何在在线手绘草图识别中利用聚类分析的方法,通过手绘草图中基本线元的分析、线元的聚类归并以及使用启发式的匹配策略,提出一种高效的基于聚类的在线手绘坐标系识别算法。     

草图理解技术研究进展

本文概述了草图理解技术(包括草图识别和语义理解)的现状。首先，草图识别包括预处理和图形识别．根据各种图形处理机制，介绍了四种图形识别方法：基于笔划的、基于图元的、基于几何特征的、基于组合图形的。其次．深入分析了几个语义理解方法，一般包括三个环节：语义获取关系分析和高层应用。最后，本文提出了几何模型、用户模型和领域模型。讨论了草图理解中的主要问题并给出初步解决方案。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于多通道sEMG小波包分解特征的人手动作模式识别方法

为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法。通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确完成样本动作标签的制作。以原始肌电信号的小波包分解系数作为特征向量训练分类器。通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数。设计并训练完成了BP神经网络人手运动模式分类器。对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。     

基于MPSO-BP神经网络方法的人体步态识别

为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位。通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位。实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96%以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型。     

设计创作灵感的主要来源——对写生实践和手绘草图的几点认识

电脑技术的广泛运用,使人们在设计中过分依赖电脑,对写生和手绘草图的训练失去了应有的热情,最终导致设计者的造型能力和思维能力降低。本文主要是讨论写生和手绘草图的重要性,根据"眼、脑、手、图形"四位一体原则,分别从视觉,大脑,动手和图形表达这几个方面分析了它们的关系和相互作用,并强调它们在启发设计思维和创作灵感中的意义。并希望人们在熟练运用电脑的同时,重视手上功夫的训练,保持设计原创的灵感和热情。     

基于图像局部奇异值向量和BP神经网络分类器的道路导航方法

提出以道路图像矩阵的局部奇异值向量作为特征输入,以BP神经网络作为分类器的道路导航方法.首先将图像分割成若干子图像,然后分别对子图像进行奇异值分解,提取子图像的代数特征向量.子图像的特征奇异值组成整个图像的局部奇异值向量,作为分类器的输入.再利用BP神经网络分类器对道路图像进行训练及识别.实验中处理了三类道路图像(偏左、偏右、正确方向),每类用20 幅图像作为训练样本,30幅用作测试.结果表明,这 种道路导航方法的识别率达到了100%.􀁳 􀁨 􀁱     

基于BP神经网络和Bagging算法的入侵检测

提出基于Bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的检测性能。     

基于模糊C均值和神经网络的驾驶行为评价研究

交通拥挤正成为一个日益严重的问题,一些不安全的驾驶行为所导致的交通事故是造成拥堵的主要原因之一.因此,如何准确评价驾驶员的驾驶行为成为研究的热点.本文提出了一种基于模糊C均值聚类（Fuzzy C-Means,FCM）和BP神经网络相结合的驾驶行为评价方法,首先利用FCM对驾驶行为进行初始聚类,基于FCM聚类结果,为了提高BP神经网络分类精度,本文提出了一种自动挑选训练样本即典型样本的方法,利用BP网络进行学习,最终用训练得到的BP神经网络分类器对驾驶行为进行实时分类,研究结果表明该算法摒弃了人为主观因素,实现了驾驶行为准确、客观、高效的评价.     

基于改进型BP神经网络的手部动作识别

对手部动作进行模式识别,首先将采集到的肌电信号进行降噪处理,选择时域分析法中的方差算法对采集信号进行特征提取。将特征信号进行归一化处理,实验发现普通BP神经网络分类器出现学习速率慢,泛化能力较差,不同动作识别准确率差别较大等问题。针对以上问题,提出了一种改进型BP神经网络,将神经网络输入数据进行人工升维处理,并对网络学习速率慢的原因进行理论推导,然后引入交叉熵代价函数并对其进行正则化处理,以提高网络的泛化能力以及网络的识别准确率。实验结果表明,改进型BP神经网络的学习速率、泛化能力以及动作分类的准确率均优于普通网络,识别准确率平均为94.34%。     

基于神经网络集成的思维脑电信号分类方法

提出基于神经网络集成算法的思维脑电信号分类方法,采用BP神经网络为分类器,对用AR参数提取的思维脑电特征进行分类。为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分类效果。     

基于行走时脚摆角的步态识别方法

提出一种利用脚摆动特征进行步态识别的方法。对步态序列图像进行背景提取、图像差分、阈值分割、形态学后处理后,提取行走时的脚摆角作为特征参数,再分别采用BP神经网络、最近邻分类器和K近邻分类器法对这些特征数据进行识别分类与比较分析。实验结果表明,与同类方法相比,该方法可以更快速地进行步态识别,且识别性能较好。