单训练样本人脸识别技术的分析

单训练样本人脸识别是指训练集中每人只有一张存储的人脸图像,用以完成对包括姿态等在内的、各种能够影响人脸图像身份的因素进行识别。因此该项技术也经常被用于身份证、护照等重要证件的相关验证。本文将通过对单训练样本人脸识别技术的重要作用进行简要分析,并结合现阶段关于单训练样本人脸识别技术的相关研究,谈谈几种常见的单训练样本人脸识别技术,希望能够为相关研究人员提供必要的帮助。     

FLDA方法在单样本人脸识别中的应用研究

在人脸识别应用中,当每个人有多个训练样本(MSPP)时,Fisher线性判别分析(FLDA)方法可以很好地用于特征提取.然而,当每个人只有一个训练样本(SSPP)时,因为类内散布矩阵为零矩阵,所以FLDA方法将不能使用.为了解决该问题,提出了一种比较新颖的方法来估计类内散布矩阵,借助于奇异值分解(SVD)方法,先将人脸图像分解成两部分,然后分别估计出类内散布矩阵及类间散布矩阵,使FLDA方法能够得到有效的应用.在ORL及Yale上的实验表明了提出的方法比现有的许多方法取得了更好的识别效果.     

Weighted Multi-source TrAdaBoost

In order to take full advantage of valuable information from all source domains and to avoid negative transfer resulted from irrelevant information, a kind of weighted multi-source TrAdaBoost algorithm is proposed. At flrst some weak classifiers are respectively trained based on training sample sets constituted by both each source domain and the target domain. Then we assign a weight to each weak classifier according to its error on the target training set. In the third step, a candidate classifier is obtained based on the weighted sum of all weak classifiers. In the fourth step, sample weights of the source and target domains are updated according to the error of the candidate classifier on corresponding domains. At last, all weak classifiers are retrained based on the training samples with new updated weights. The above steps repeated until the number of maximum iterations is reached. Experimental results on bimonthly datasets show that, compared with TrAdaBoost and multi-source TrAdaBoost, the proposed algorithm has higher classification accuracy.     

基于最小二乘支持向量机的线性特征地物亚像元定位(英文)

BP神经网络已被证明能有效实现遥感图像的亚像元定位,但其训练时间较长,容易陷入局部最优且依赖于大量的训练样本。而在实际应用中,训练样本即先验信息较难获取。然而,建筑物及道路等地物具有规则的线性空间分布。针对这些线性特征地物,研究了一种训练样本的几何合成方法,消除对先验信息的依赖,并提出利用最小二乘支持向量机实现亚像元定位。实验表明,这种结合合成训练样本与最小二乘支持向量机的亚像元定位方法是合理可行的,且与BP神经网络实现方法相比,训练过程明显加快,定位精度更高。     

基于人工神经网络的复杂机械结构安全性分析

提出了一种复杂机械结构安全性分析的新方法,通过对其结构进行有限元分析,得到多组荷载效应,然后建立人工神经网络模型,以有限元分析结果为训练样本集,利用人工神经网络可直接进行结构的安全性分析.实例证明,该法避免了有限元分析的复杂加载和长时间运算,有效地简化了复杂结构的安全性分析问题.     

稀疏纹理的特征提取和分类研究*

提出了对稀疏纹理表面特征的新描述方法,并进行了纹理分类的研究.以往对纹理的研究大多是对2D纹理的研究,一般是通过大量的训练样本来完成纹理特征的提取.通过RANSAC估计两幅纹理的单应约束,提取两幅纹理的对应点,不仅可以提取一般纹理的特征,而且可以提取包含立体信息的纹理特征(如因为光照和视点的变化引起立体纹理的阴影变化等),通过对应点的提取使得不再需要大量的训练样本来进行纹理的特征提取.实验表明该算法可以较准确和快速地进行纹理特征提取和分类,使得纹理分类工作变得有较强的可行性和实用性.     

两种拉伸实验的岩石细观参数反演分析

将颗粒流程序应用于解决工程问题的前提是对岩石试件的几个力学参数进行准确标定,抗拉强度的标定便是其中之一。通过比较分析巴西实验和直接拉伸实验,结合具有非线性映射能力的BP神经网络,对颗粒流岩石的细观参数进行反演研究。表明:巴西实验条件苛刻,难以保证大量实验成功进行,无法向神经网络提供高质量训练样本,反演精度仅为61%;直接拉伸实验条件宽松,可以保证神经网络训练样本的数量和质量,反演精度可提高到83%;在保证样本数量和质量的前提下,BP神经网络有能力实现宏细观参数的准确映射,是颗粒流岩石参数标定的有效手段。     

基于BP神经网络的大功率直流电机故障诊断研究

提出了一种用人工神经网络实现直流电机故障诊的方法。推导了故障诊断所需的特征参量。在特征参量的基础上改变了传统的电机故障分类方法,将电机故障分为电枢故障、励磁故障、换向器故障和机械故障4类。以MATLAB仿真数据为基础,训练了一个可行的神经网络。测试结果表明,对电机故障诊断的正确率较高,可行性较强,建立的故障诊断模型有效地实现了特征参量提取和故障映射的功能。     

神经网络在结构损伤模拟中的应用

识别一个结构在震状态下的变化，在结构监测中是十分重要的，神经网络就非常适用于这种目的。本文研究了使用可分析的学习样本来训练神经网络的可行性问题，神经网络从损伤状态训练产生，然后用于诊断一个五层钢框架在一系列震动模拟中的状态。结果表明，使用神经网络可使在线结构诊断更加可行。     

运用模糊聚类法分析煤层顶板稳定性

本文运用模糊聚类法对煤层顶板的稳定性进行了综合预测及分类，并且通过对两淮及徐州矿区部分采煤工作面顶板的观测与分析，证明了预测的准确性和科学性。