基于纹理特征与随机森林的生态声音识别

针对真实环境中普遍存在的非平稳噪声,提出一种基于纹理特征与随机森林的生态声音识别方法。该方法首先使用一种基于噪声估计的音频增强算法,即短时谱估计对输入端声音信号进行前端处理,得到增强信号功率谱;然后根据得到的增强信号功率谱图的纹理信息,采用和差统计法对其进行纹理特征提取;最后,利用基于决策树的组合分类器,即随机森林进行识别和分类。设计了两组对比实验,结果表明该方法不仅有良好的识别性能,而且具有噪声鲁棒性。     

RFID室内定位技术研究综述

为了掌握射频识别RFID定位算法的原理与应用背景,找到一种适用于特定环境的室内定位算法和tag防碰撞算法,对RFID室内定位系统的组成、定位方法、定位算法以及定位过程中涉及到的防碰撞算法进行了较为全面的研究和系统的总结。该研究为不同条件下RFID定位系统和定位算法的选择提供了重要依据。     

基于关系型发散的黎曼流形分类图像识别

针对图像识别中传统的嵌入流形算法通常只考虑切线空间却忽略了流形结构以致不能准确建模的问题,提出一种基于关系型发散的黎曼流形分类(RMC)算法。首先从底层黎曼流形建立训练集,并在流形上建立一组表示黎曼点的参考点;然后,借助于最近提出的斯坦因发散计算黎曼点与各个类之间的相似性,从而有效地将流形分类问题转换成寻找合适的相似空间问题;最后,利用经典的线性判别分析进行特征提取,最近邻分类器完成最终的分类、识别。通过纹理分类、人脸识别、人体识别实验验证了所提算法的有效性及高效性。实验结果表明,相比其他几种较为先进的流形算法,提出的算法不仅提高了识别率,同时大大减少了训练、分类所耗时间,有望应用于实时图像识别系统。     

基于生理振动分析的手机用户身份识别

为保护手机用户的个人信息,对用户进行身份识别认证,提出一种生物识别方法。利用智能手机内置的传感器,采集人体的生理振动信息;通过对采集数据进行去重力等预处理,提取均值、方差、能量、峰度、偏度等特征指标,利用z‐score方法进行标准化处理;进行分类器设计,得出分类器的查准率、误检率等评价指标。分析60组不同用户的生理振动数据,分析结果表明,该分类器的查准率最高可达98?33％。     

正线性函数在深度神经网络中的研究

针对深度神经网络中常用的激活函数具有非线性和计算复杂度高的特点,提出使用正线性函数代替常用非线性函数作为深度神经网络的激活函数。基于正线性激活函数建立的深度神经网络模型计算复杂度低,能得到稀疏表示,与人类大脑信息感知具有一致性。通过图像分类任务验证了正线性激活函数在深度神经网络中应用的有效性。     

基于局部频谱特征与贝叶斯决策的脚步声识别

针对脚步声识别系统中背景声音与噪声影响脚步声特征的提取而导致识别率明显下降的问题,根据脚步声相对背景声音在时间与频率分布上具有一定局部性的特点,提出一种声音局部频谱特征提取方法。该方法所提取的特征反映了声音主要频率成分的局部分布及其随时间的变化规律,而且对白噪声与高斯噪声的干扰有较强的鲁棒性,并且在声音采集过程中,由于与采集设备距离等因素的变化所导致的声音强度变化无关。识别过程采用贝叶斯决策理论实现步声识别。实验结果表明,该算法识别精度高于现有算法,而且对不同背景声音与环境噪声的鲁棒性明显高于现有算法。     

不等长批次过程的有序时段划分、建模及故障检测

对具有不等长时段的多时段批次过程进行监测是十分重要而且具有一定难度的. 时段在批次间的错位现象导致时间方向的不同过程特性混合在一起, 这给时段分析以及在线应用带来了一系列的问题. 为了解决不等长所带来的问题, 本文提出一种基于不等长时段有序识别及建模的故障检测方法. 该方法的主要贡献包括以下方面：1) 该方法通过步进地衡量过程的变量相关性对模型精度以及监测性能的影响, 自动有序地识别出每个不等长时段; 2) 在每个时段内,通过对不规则的过程数据进行整合建立了时段模型以捕捉不规则的时段特性; 3) 本文提供了一种简单而有效的在线判断新样本隶属时段和监测其运行状态的方法. 最后, 本文通过一个实例–具有不等长批次长度的注塑过程阐述了本方法的有效性.     

基于自动获取彩色目标的手臂运动轨迹跟踪

将计算机视觉应用于对示教者动作的分析,控制机器人完成动作轨迹的复现,成为机器人智能化的一个研究方向。针对机器人模仿示教者动作的视觉需求,提出一种基于自动获取彩色目标的目标跟踪算法。该算法在L*a*b空间采用k均值聚类算法对彩色图像分类;在HSV空间基于H分量采用直方图门限法识别彩色目标,最后采用camshift算法实现在图像序列中对目标轨迹的跟踪。通过对人体手臂关节点运动轨迹跟踪的实验表明,该算法能自动准确地识别多个彩色目标,并自动生成手臂关节运动轨迹,是机械臂模仿示教者动作的关键技术之一。     

基于GPS轨迹的用户移动行为挖掘算法

挖掘用户的移动行为,可以通过对交通出行方式进行识别来实现。传统的交通方式识别方法在交通堵塞或多种交通方式结合的情况下,识别效果并不理想。针对这种情况,提出基于轨迹分段和监督式学习相结合的识别方法,首先利用速度小于某一阈值的数据点将原始GPS轨迹划分为交通方式单一的子轨迹段,然后对子轨迹段分别抽取特征,采用监督式学习方法建立推断模型对不同子轨迹的交通方式进行识别。实验结果表明,提出的算法能够有效地识别不同交通方式,达到较为理想的效果。同时在交通堵塞的情况下也能够很好地识别。     

分块双向二维主成分分析与模糊分类的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。提出基于分块双向二维主成分分析(M(2D)2PCA)和模糊分类的掌纹识别方法。该算法利用M(2D)2PCA提取掌纹的局部特征,并利用模糊分类策略。这种方法可以有效提取掌纹的局部特征,并且直接对子图像矩阵进行特征抽取,能够精确计算协方差矩阵的特征向量;分类阶段引入模糊理论,应用于掌纹识别问题。最后使用北京交通大学掌纹数据库进行识别实验,结果表明,该方法可得到更高的识别率和更少的识别时间。