基于EOG的阅读行为识别中眨眼信号去除算法研究

由于眼电图(EOG)能反映不同行为状态下的眼球运动模式,因此,基于EOG的阅读行为识别已经成为一个新的研究热点。为了降低眨眼信号对阅读行为识别的影响,提高正确率,本文提出了一种基于独立分量分析(ICA)的眨眼信号去除算法。该算法首先利用ICA方法从原始多通道EOG信号中分离出眨眼信号,然后通过计算各输出通道的峭度值,自动识别眨眼信号通道,将其置零后映射回原始观测信号以达到噪声去除目的。实验室环境下,对降噪后的EOG信号进行阅读状态识别,其平均正确率达到95.5%,相比较原始EOG信号、带通滤波法及主分量分析方法(PCA)分别提升了3.39%,5.00%和2.70%,实验结果验证了所提算法的有效性。      

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

基于Gabor滤波器和ICA技术的SAR目标识别算法

提出了一种基于Gabor滤波器和独立分量分析(ICA)技术对合成孔径雷达(SAR)目标识别的算法.该方法提取预处理后SAR图像的低频子带图像,利用Gabor滤波器组对该低频子带图像在不同方向和尺度上滤波,再用主成分分析(PCA)+ICA方法对Gabor滤波后图像提取有效特征向量作为目标识别特征,最后用支持向量机(SVM)对该特征进行分类完成目标识别.使用MSTAR数据库中3类SAR目标数据对该方法进行目标识别的仿真实验,平均识别率最高可达96.56%.通过与其他识别方法对比实验,验证了文中方法的有效性.     

基于负熵最大化FastICA算法的雷达信号分选

在深入分析FastICA算法的基础上,提出了将其用于雷达信号的分选。仿真结果表明,这种算法应用于雷达信号分选时取得了很好的分离效果。     

基于纹理和支持向量机的笔迹鉴定系统

笔迹鉴定在公安、银行、电子商务等领域具有广泛的应用。本文首先给出笔迹鉴定系统流程，进而提出了基于纹理和支持向量机的方法来进行笔迹鉴定。最后利用此方法进行了实验，取得了较好的识别效果。     

基于SVM算法的分类器设计

介绍了支持向量机算法的基本思想、数据分类的概念,分析了传统支持向量机算法的一般特性。用Libsvm工具箱实现了基于SVM算法的分类器设计,并用公共数据库中的数据集对设计的分类器进行了测试,重点针对训练样本的选择、参数的影响选择与优化问题进行了研究。实验结果表明,在应用支持向量机算法做数据分类时,选择合适的训练样本和参数有利于提高分类器的准确度。     

基于独立分量分析的雷达信号分选算法

对盲信号的独立分量分析（ICA,independent component analysis）技术进行了研究,并将其应用到雷达信号分选当中,仿真实验证明能够取得很好雷达信号分离效果,为雷达信号分选提供了新的思路。     

驾驶安全智能辅助系统的设计与实现

在国内汽车保有量逐渐增长的背景下,道路驾驶环境日趋复杂,交通事故的发生率也越来越高,这对汽车驾驶员提出了更高的要求和更严峻的挑战。本团队基于计算机视觉和深度学习技术设计了一套驾驶安全智能辅助系统,通过分析行车记录仪视角采集到的车外视频数据和面对驾驶人视角采集到的车内视频数据,实现实时的交通事故预警、交通标志识别、驾驶人疲劳检测和驾驶人异常行为检测。并通过物联网协议实现系统与车辆之间的环境信息和控制信息传输,从而达到对驾驶安全的实时监控,有助于规避驾驶过程中内部与外部的不安全因素。     

基于SVM的信号解调算法

在小样本、低信噪比条件下,同步参数估计会存在较大误差,从而导致信号解调性能的降低。为了解决该问题,将信号解调看成有限长度采样样本的学习问题,并利用支持向量机( SVM)良好的学习性能,在存在同步误差的条件下,通过提高判决端的处理能力来改善系统的接收性能,提出了基于SVM的信号解调算法。在Matlab环境下,对提出算法在精准同步、残存同步误差、高斯白噪声和高斯色噪声等情况进行了计算机仿真,结果表明,相比于匹配滤波器算法,基于SVM的信号解调算法能较好地克服定时误差和相位误差以及色噪声对解调性能的影响。     

基于支持向量机的步态识别算法研究

为了准确快速地进行运动人体的步态识别,提出了一种基于主分量分析(PCA)和统一Hu矩融合的步态识别算法。将人体髋关节以下作为感兴趣区域,对图像序列中运动人体的感兴趣区域进行了分割,并提取主分量外形特征,同时计算感兴趣区域的统一Hu不变矩特征,将二者结合,构成步态序列的特征空间,采用支持向量机(SVM)分类器进行分类识别,通过MATLAB仿真实验验证了算法的有效性。实验结果表明,该算法识别速度快,具有较高的识别率。     

基于MIMO-OFDM系统的盲源分离算法研究

为了实现使用OFDM调制的MIMO系统的盲源分离问题,提出了在接收端使用Nyquist频率对接收到的信号进行采样的,从而将原始的MIMO-OFDM系统盲源分离问题转变为N组的独立分量分离的问题.通过将FastICA算法扩展到复数域,在频域中对每一组相同子载波上的信号进行独立分量分析,最终实现信号的盲分离.仿真实验获得的结果证实了该方案具有良好的恢复效果,且算法收敛的迭代次数只需要8～10次.     

基于Multilinear PCA的烟雾图像识别算法

为了提高火灾烟雾图像识别正确率,更好地预防火灾,提出一种基于multilinear PCA的火灾烟雾图像识别算法。在提取烟雾疑似区域的基础上,首先分别提取烟雾的静态和动态特征,然后采用multilinear PCA对特征进行融合,消除其中冗余特征,并根据选择特征进行训练样本构造,最后将训练样本输入支持向量机建立烟雾图像分类器,并对测试样本进行识别。仿真结果表明,相对于其他烟雾图像识别算法,提出的算法不仅提高了烟雾图像识别正确率和识别效率,而且具有良好的抗干扰能力,可以满足不同环境下烟雾图像识别要求。     

干扰环境下的信号调制识别

针对干扰环境提出了一种基于独立成分分析(ICA)和支持矢量机(SVM)的通信信号调制识别算法。算法利用多天线接收技术,采用独立成分分析方法寻求观测样本矢量的统计独立分量,设计了以二值支持矢量机(SVM)为基础的多值分类器,该算法具有较高的训练速度和较好的分类性能。仿真表明,当信干比大于10 dB、移动速度小于12 m/s时,算法的总体正确识别率超过0.9。干扰环境下的信号调制识别研究具有较重要的实际工程应用意义。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

基于主成分分析的支持向量机回归预测模型

首先利用主成分分析法降低样本数据的维数,建立主成分的多元回归预测模型,其次利用支持向量机方法确定回归模型的系数,最后实例说明了该模型具有较高预测精度.     

基于支持向量机的缓存预估模型的设计与实现

采用支持向量机(SVM)对网络业务流数据进行预测估计，通过训练样本，从而获得样本以外数据的分布规律。在此基础上，设计了一种网络排队队列缓存的预估模型。实验表明，该模型具有较高的训练效率和很高的估计精确度。     

基于Contourlet域ICA和SVM的图像融合

提出了一种基于Contourlet域独立分量分析(ICA)和支持向量机(SVM)的图像融合方法。首先对源图像进行Contourlet变换,再提取其高频系数的独立分量特征,并通过粒子群优化的SVM实现分类,最后进行图像重构得到融合结果。给出了实验结果,采用均方差(MSE)、信噪比(SNR)、信息熵(H)、空间频率(SF)、清晰度(CL)和相关系数(CR)等评价指标对融合效果进行了定量评价,并与加权平均法、基于Contourlet变换或基于ICA的图像融合方法进行了比较。结果表明,所提出的方法能取得更优越的融合效果。     

一种改进的基于ICA的信号增强方法

根据一路带噪信号，采用独立分量分析方法去除加性噪声，从理论上讲就是在观测信号向量的维数小于源信号向量维数情况下的独立分量分析问题。问题的关键是如何构造另一路观测信号，使问题有解。文中提出了一种改进的构造方法，这种方法非常简便，实验结果表明其分离性能比较理想。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。