基于HOG-SIFT融合优化的多人脸特征提取方法

针对昏暗光线及复杂背景下人脸特征提取效果易受环境因素干扰影响的问题,在进行人脸图像预处理过程中引入双边滤波处理,进一步研究基于自商图像理论的人脸图像光照干扰抑制方法; 结合HOG特征较好的全局性以及SIFT特征对复杂背景影响较好的适应性,提出一种基于HOG-SIFT融合优化的多人脸特征提取方法. 试验结果表明,该方法可有效实现昏暗光线环境及复杂背景下多人脸特征提取功能.     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

基于BP 神经网络的弹壳表面缺陷分类方法

摘要：为了对弹壳表面缺陷进行分类,提出一种基于BP(back propagation)神经网络的弹壳表面缺陷分类方法。 针对弹壳缺陷的特点,提取了各类缺陷的灰度特征、形状特征、几何特征,建立缺陷特征数据库,并采用改进的BP 神经网络算法设计了缺陷分类器。实验结果表明,该方法在枪弹缺陷识别方面具有很好可行性和有效性。     

基于小波能量特征的尾流光信号特征研究

针对舰船尾流激光探测的信号检测与分析问题,提出了利用小波域能量特征进行尾流特征分析的新方法。首先设计了变遗忘因子的自适应抵消器滤除水体后向散射信号与系统噪声,有效地选取了含有目标的信号;其次采用小波包分解方法并按频段的能量形成提取目标特征;最后借助主成分分析方法对特征向量进行降维。通过对试验数据的分析表明,提取的特征能有效地揭示不同性质下的尾流后向散射光信号,提高了对尾流分析的能力。     

基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于尺度不变特征变换的车牌特征提取及BBF匹配方法

针对传统车牌特征提取及匹配不足,提出了基于尺度不变特征变换（Scale invariant feature transform, SIFT）的车牌特征提取及 (Best Bin First,BBF)匹配方法。通过构建车牌字符标准模板,采用SIFT算法提取标准模板和待检测车牌中每个字符的SIFT特征向量,主要包括车牌高斯差分(Difference of Gauss, DoG)空间极值点检测,去除边缘相应点和低对比点,确定特征向量的方向和生成车牌特征向量。利用BBF(Best Bin First )算法完成标准模板特征向量与待检测车牌特征向量匹配,并获取识别结果。最后给出实验分析,证明该算法的识别率。     

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。