基于PCA和LCN单样本光照不变人脸识别研究

传统的基于PCA(Principal Component Analysis)和局部对比度正则化的单样本光照不变人脸识别,使用直方图均衡化和局部对比度正则化削弱不均匀光照的影响,使用马氏距离度量数据间的距离,使用均值滤波器计算图像各像素邻域的期望。在PIE(Pose Illumination Expression)和Extended Yale B人脸数据库上,随机抽取单训练样本评估多种光照预处理方法、距离度量和两种计算像素邻域期望的方法。实验结果表明,使用局部和全局对比度正则化进行光照预处理,距离度量使用简化的马氏距离,使用二维高斯滤波器计算像素邻域的期望可以达到最好的识别效果。     

非均匀环境下机载雷达STAP方法

空时自适应处理(STAP)是机载雷达信号处理中的一项关键技术,但其应用的实际杂波环境通常是非均匀的.本文对非均匀环境下各STAP方法进行了科学分类,并详细分析了各方法的内在机理及相互间的内在联系,同时总结评述了各方法的优缺点,最后指出了机载雷达非均匀STAP方法中有待于进一步研究和完善的相关问题.     

激光投影键盘的手势识别功能扩展

自从1992年激光投影键盘发明以来,其良好的光景交互体验吸引了众多光景效果爱好者。若能在其键盘功能基础上再完成一些较简单的空间平面手势识别,将会满足更多的个性化交互追求。该文通过基于径向基函数神经网络的人机交互手势识别算法研究了激光投影键盘的手势识别功能扩展方法,并通过实验测试预定义的10种手势动作,实验结果表明识别率达到96.4%,从而一定程度上实现了激光键盘手势识别功能扩展的个性化交互追求。     

基于模糊决策和MSD的单样本人脸识别算法

当每个人只有一个训练样本时,最大散度差鉴别分析在人脸识别中的识别性能会降低,为了解决这一问题,提出了基于模糊决策和最大散度差鉴别分析的单样本人脸识别算法。通过对每个训练样本进行适当的分块,从而获得较多的训练样本个数,在这些新的训练样本集上应用类内中间值最大散度差鉴别分析算法得到最优投影矩阵,并基于这个最优投影矩阵可以计算训练样本和待测试样本的特征。对模糊决策方法进行分类。在著名的ORL和FERET人脸数据库上的大量实验结果表明,该算法可以提高识别率。     

微调卷积神经网络在建筑外立面裂缝检测中的应用研究

深度学习技术用于建筑外立面裂缝检测,具有效率高、客观性强的特点,但建筑外立面背景的多样性导致使用大量样本堆砌训练的时间较长,难以取得良好的识别效果。为提高检测的查准率、查全率与训练效率,提出了基于迁移学习的微调训练方法：使用大量来自其他建筑的已有样本进行预训练之后,使用来自待检测建筑的少量样本进行微调训练;然后,使用微调训练后的模型对待检测建筑的其他部分进行检测。通过对比不同训练方法的测试结果与训练时间,证明了微调卷积神经网络在建筑外立面裂缝检测中的优越性,并研究了冻结层数对微调训练模型的影响。     

基于广义旁瓣相消的机载雷达抗密集转发式干扰方法

密集转发式干扰不仅会引起雷达虚警,而且会抬高其附近单元的恒虚警率检测门限进而导致目标检测性能下降。另外,它还会污染空时自适应处理的训练样本,导致杂波抑制性能下降。针对这些问题,该文提出一种机载雷达抗密集转发式干扰算法。该算法首先估计干扰方向,然后用广义旁瓣相消技术在空域滤除干扰。广义旁瓣相消中的辅助通道为指向干扰方向的和波束,而其协方差矩阵则利用清晰区中挑选的干扰样本估计得到。该算法可以有效抑制密集转发式干扰,减少由其引起的虚警,改善雷达目标检测性能,同时该算法还具有结构简单,易于实现的优点。实验结果验证了该算法的有效性。     

基于BP神经网络的病毒检测方法

提出了一种基于BP神经网络的病毒检测方法,该方法成功地把BP神经网络的理论引入计算机病毒的检测中。该方法比传统的病毒检测技术更有效地对系统信息和文件系统进行语法分析,快速地诊断出被感染病毒以及病毒类型。     

基于卷积神经网络的绘画图像分类研究

绘画作品的数字化对有效使用绘画资源具有重要意义,传统图像分类方法并未考虑绘画作品主观特性,且大部分特征需要人工提取,存在细节特征丢失等问题.在此提出基于卷积神经网络的绘画图像分类方法,分析了卷积核大小、卷积神经网络结构宽度、训练样本数量对分类结果的影响,以优化网络结构和参数.实验结果表明,该方法对绘画图像分类的有效性,在不同绘画图像数据集的分类实验上也得到了较好的分类结果.     

面向烟草企业的数据挖掘中分类算法分析与量化研究

采用交叉验证方法针对C4.5、Bayesian置信网络、序贯最小优化(SMO)三种主流数据挖掘分类算法对中国烟草年鉴2011-2012中的销售数据进行了实验分析,分别得出了在相同训练、测试样本数据下三种算法建立模型所需时间、分类准确性、覆盖率及Margin曲线。分析了训练样本数量对三种算法的不同影响,为使用者在不同的样本质量下选择相应的分类算法提供理论和实验依据。