基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。     

静态图像中的人体行为分类研究

静态图像中人体行为分类的一般方法是先手动标定出行为对象,再单独对行为对象进行特征提取和分析,不仅费时费力还丢失了场景信息。针对此问题提出了结合场景特征与行为对象特征的图像表示方法,充分利用图像的所有信息。此外为了减小量化误差,在特征编码阶段,采用局部约束线性编码(Locality-constrained Linear Coding,LLC)算法,并将其应用在空间金字塔模型的向量量化中。该算法与传统的矢量量化算法和稀疏编码算法相比,能够降低量化误差。最后在Stanford 40 Action数据集上对文中方法进行实验和验证,结果表明,结合场景特征与行为对象特征并使用LLC编码算法能够获得更好的分类效果。     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

基于肌电信号和极限学习机的下肢关节运动预测

为判断下肢障碍患者的运动意图,通过外骨骼进行康复训练,分析表面肌电信号与下肢关节运动的关系。 提取表面肌电信号的均方根(root mean square,RMS)、绝对值均值(mean absolute value,MAV)、波形长度(waveform length,WL)和方差(variance,VAR)作为特征输入信号,采用极限学习机(extreme learning machine,ELM)建立表面 肌电信号与下肢关节角度之间的映射关系;对输出结果进行优化滤波以降低模型的误差,实现对下肢膝关节角度连 续变化的预测。与传统的反向传播(back propagation,BP)神经网络、径向基神经网络预测结果进行对比,结果证明： 极限学习机在通过表面肌电信号预测下肢关节角度变化中有更高的精度。     

基于双重逆极限空间液压系统泄漏特征提取方法

为了检测大型锻造液压机液压系统的泄漏问题,提出了一种基于双重逆极限空间的特征分析方法。将大型锻造液压机液压系统的泄漏作为原信息空间,并在此基础上建立与之拓扑同构的双重逆极限空间。在双重逆极限空间,并通过拓扑不变性来反映大型锻造液压机液压系统的泄漏情况。最后通过仿真实验验证了此理论方法的可行性。结果表明,基于双重逆极限空间的特征提取方法更适合提取泄漏的耦合特征,所提取的特征信息对泄漏具有很好的检测和定位能力。     

图像的角点检测研究综述

角点检测是图像处理和模式识别领域的基本课题,它在运动估计、形状分析、3D重建等方面都有重要的应用.本文对角点检测方法进行了详细阐述及分类--基于灰度强度的方法、基于边缘轮廓的方法、基于角点模型的方法,并将现有方法的优缺点进行了总结,指出了存在的问题及进一步的研究方向,预期为图像角点检测提供参考和借鉴.     

用于光纤围栏入侵告警的频谱分析快速模式识别

相位敏感光时域反射计(Ф-OTDR)在光纤围栏等动态传感领域具有重要的应用,快速、有效地对入侵信号分类识别有着十分重要的意义。基于频谱分析提出了一种称为频谱欧氏距离法(EDFS)的快速模式识别方法。该方法通过短时平移差分和短时能量法对Ф-OTDR的解调信号进行提取,确定待分析数据段;对数据段进行归一化和快速傅里叶变换,获得信号的频谱特征;计算信号频谱与预先生成的模板之间的欧氏距离对入侵信号进行分类、识别。采用三种入侵信号对该方法的有效性和实时性进行了实验验证。结果表明,该模式识别方法可以有效识别扰动信号,识别时间小于传统的动态时域规划模式识别方法耗时的1/10。同时,该方法所需训练样本较少,对环境噪声有一定程度的抑制作用。     

多尺度YOLO人脸年龄估计方法研究

通过观察人脸估计年龄较为常见，但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率，提出一种基于YOLO（You Only Look Once）模型的目标检测方法。将多尺度回归思想应用于卷积神经网络（Convolutional Neural Network，CNN），通过多尺度卷积改善模型对小尺寸目标的提取能力，结合特征通道分权重思想，改善特征提取操作中特征信息丢失的问题，构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FG-NET上获得平均绝对误差（MAE）3.43，在GROUP数据集获得区间匹配度（AEM）62.4%。实验结果表明，通过多尺度特征回归以及通道权重分配，可以较为准确地进行人脸信息检测，并由此建立鲁棒性更强的人脸年龄估计模型。     

基于主成分分析法和极限学习机的尿沉渣图像识别算法研究

针对尿沉渣中的有形成分进行检测和分析,提出结合主成分分析(PCA)和极限学习机(ELM)的识别和统计方法。该方法通过PCA对样本进行特征提取和降维后输入到ELM进行训练,根据训练得出的模型与未经PCA处理的样本训练的模型进行检测效果对比。实验结果表明,使用PCA处理后的样本训练得出的模型具有更高的识别准确度和稳定性,同时训练时间大幅减少。