人脸识别特征提取算法研究

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点．人脸特征提取是人脸识别技术的关键。首先介绍了ICA算法的原理,并对ICA算法的优缺点进行了讨论,提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在OKL标准人脸数据库上的实验结果表明,这种识别算法优于PCA和ICA算法。     

基于模糊隶属度函数的ICA特征提取和识别

提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法.该方法首先通过主成分分析等对图像进行预处理,然后通过FastICA算法对图像进行处理,构造特征脸子空间,计算训练样本和待测样本在特征脸子空间中的投影,引入模糊隶属度函数,建立矢量隶属度函数,作为识别分类器进行人脸识别.针对ORL标准人脸数据库上的实验结果表明,该方法具有良好的识别分类能力.     

基于主成分分析和BP神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

一种基于PCA的组合特征提取文本分类方法

为了获得更好的文本分类准确率和更快的执行效率, 研究了多种Web文本的特征提取方法, 通过对互信息(MI)、文档频率(DF)、信息增益(IG)和χ²统计（CHI）算法的研究, 利用其各自的优势互补, 提出一种基于主成分分析(PCA)的多重组合特征提取算法(PCA-CFEA)。通过PCA算法的正交变换快速地将文本特征空间降维, 再通过多重组合特征提取算法在降维后的特征空间中快速提取出更具代表性的特征项, 过滤掉一些代表性较弱的特征项, 最后使用SVM分类器对文本进行分类。实验结果表明, PCA-CFEA能有效地提高文本分类的正确率和执行效率。     

改进的语音特征提取方法及其应用

噪音是降低语音识别系统精度的关键因素,因此,如何从带噪语音信号中提取出有效的语音特征是提高语音识别系统识别率的重要途径.该文在分析语音特征提取方法的基础上提出改进算法.实验表明,采用LDA MLLT CMs算法组合提取出的语音特征具有较好的鲁棒性,在噪音环境下的平均音节识别率为43.79%.该组合在中文大词汇量连续语音识别系统中也有较好的性能,音节识别率达到83.56%.     

气体传感器的温度调制技术研究进展

气体传感器的温度调制技术是改善传感器选择性和稳定性的有效方法之一,近几年研究比较活跃.详细分析了气体传感器的温度调制技术,并从温度调制方法、动态信号处理技术、调制模式优化以及动态响应建模等方面进行了综述,并讨论了该技术的研究趋势.     

基于方差滤波和ICA算法的人眼定位

采用方差滤波器确定人眼候选区域, 结合独立成分分析(ICA)方法对人眼进行快速定位, 能够有效地提取训练图像的高阶统计特征, 很好地去除基向量的相关性. 与主成分分析(PCA)和传统ICA方法相比具有更好的鉴别能力. 实验表明, 该方法的识别率可达97.3%, 并对光照和姿态变化也具有很好的鲁棒性.     

主元分析法在烘焙面包切片图像特征提取中的应用

阐述主元分析在烘焙面包品质检验中的应用,并在图像的特征提取方法方面进行了探讨.试验结果表明,该方法为面包烘焙品质的快速自动检验提供了客观准确的科学依据,使感官评价的指标客观化.     

基于温度调制的气体传感器动态信号识别研究

利用4只掺杂Pt的SnO2微热板气体传感器组成传感器阵列来识别三种不同的工业气体（ CO, CH4和C2 H5 OH）,传感器加热分别采用了三角波、正弦波、锯齿波和脉冲波四种温度调制模式。然后将得到的传感器动态响应信号进行短时傅里叶变换（ STFT）提取特征信息,并结合主成分分析（ PCA）方法将特征信息进行降维处理,发现调制周期对气体种类影响较小。最后利用决策树识别三种不同的气体,识别准确率较高。实验结果证明了该算法的正确性和可行性。     

基于DT及PCA的DNN入侵检测模型

当今入侵检测领域作为一个重要领域,虚警率高、检测率低、处理速度慢、特征维度高等问题正困扰着从事这一领域的专家学者.为了解决这些问题,提出基于决策树(DT)与深度神经网络(DNN)以及主成分分析(PCA)的入侵检测模型DT-PCA-DNN,在相对高的检测率和相对低的虚警率的基础上提高入侵检测系统(IDS)的处理速度.为缩小整体数据量达到加快处理速度的目的,首先利用DT对数据初步判别.将DT判别为入侵的数据,存入临时训练样本集以再训练优化DT以及DNN,而DT判别为正常的数据,删除所添加正常标签后用PCA降低数据维度并送入DNN进行二次判别以得出最终结果.DT使用浅层结构以防止过多正常数据被判定为入侵数据,导致后续DNN二次处理时不能有效提高整体准确率.DNN采用简化神经网络计算过程的ReLU激活函数以及收敛速度更快的adam优化算法以加快数据处理速度.经过在NSL-KDD数据集上的二分类及五分类实验验证,相比于其他的应用深度学习的入侵检测方法,所提出模型能够在实现相对高的检测率的同时具有更加迅速的检测速度,有效解决了入侵检测的实时性问题.     

基于小波变换的图像纹理特征提取技术

纹理是一种区域特征,是对于图像各像元之间的空间分布的一种描述.由于纹理能充分利用图像信息,无论从理论上或常识上出发它都显然应该成为描述与识别图像的重要依据,同时与其它图像特征相比,它似乎能更好地兼顾图像宏观性质与细微结构两个方面,因此纹理分析成为图像分析的重要手段.它被广泛的应用于气象云图分析、卫星遥感图像分析、机器人视觉、工业监控、场景分析、辅助医疗、生物组织和细胞的显微镜照片分析和军事目标分析等诸多领域.     

基于小波调制尺度的语音特征参数提取方法

时频分析的理论基础上,提出了一种基于小波调制尺度特征的参数提取方法。根据人对调制谱信息的感知特性及干扰在调制谱中的特点,采用小波分析技术及归一化处理求得归一化的小波调制尺度特征参数,并以此作为语音的动态特征应用于语音识别系统。通过与MFCC一阶、二阶系数对比的汉语音节识别实验表明,该方法在抗噪声干扰和说话速率变化等方面比MFCC的一阶、二阶系数的性能优越,为提高语音识别鲁棒性提供了一种新途径。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

利用小波变换实现汉字签字特征的抽取及压缩

针对目前汉字鉴别效率低、容易造成几何性质丢失的现状,提出了一种利用小渡分解与重构的技术对汉字签字进行特征抽取和压缩的方法.首先对整个签字的每一笔划进行通过多分辨率分析的小波分解公式进行复信号小波变换,这样可以得到每一个笔划的小波分解值,然后利用一组新的小波重构公式,对各个笔划的特征进行有机的整合,最后使用K-L变换对签字特征值进行了特征维数的压缩,从而大大提高了汉字鉴别鉴别的效果.     

基于小波分析的雷声信号特征提取

地下拾音报警系统以其隐蔽性强、监控范围广等优点受到文物保护部门的关注。给出了一种基于小波变换,利用能量等价关系构造特征空间的方法,可以有效地识别雷声信号,降低雷声造成的误报率,从而有效地改进了地下拾音报警系统的性能。     

一种鲁棒的基于小波变换的语音参数提取算法

提出了一种基于小波变换的新型语音参数提取算法 ,提高语音识别系统对环境噪声的鲁棒性。由于引入了多分辨率小波分析技术 ,识别既在高频提供高的频率分辨又在低频提供高的时间分辨率。这样 ,提出的改进算法在语音词汇的识别更准确的同时 ,还大大简化了计算。将该算法和传统提取 MFCC系数的算法进行了比较,实验结果表明 ,利用小波计算语音特征具有更优的性能。     

基于小波变换的图像汉字笔划特征提取方法

借鉴仿生模式识别的认知观点,从汉字的构造机理和人类认识汉字的习惯角度出发,提出一种基于小波变换的图像汉字识别方法。制定了图像汉字笔划特征提取的具体规则,采用小波变换的方法对图像汉字边缘和笔划轮廓进行检测,通过有效提取图像汉字笔段信息,进行笔段合成,生成汉字或汉字的基本笔划。仿真实验结果表明,这种方法提高了图像汉字笔划特征提取的准确率和稳定性,对于印刷体和书写较规范的手写体图像汉字具有极高的识别率。     

Time series forecasting based on wavelet decomposition and feature extraction

Time series forecasting is one of the most important issues in numerous applications in real life. The objective of this study was to propose a hybrid neural network model based on wavelet transform (WT) and feature extraction for time series forecasting. The motivation of the proposed model, which is called PCA-WCCNN, is to establish a single simplified model with shorter training time and satisfactory forecasting performance. This model combines the principal component analysis (PCA) and WT with artificial neural networks (ANNs). Given a forecasting sequence, order of the original forecasting model is determined firstly. Secondly, the original time series is decomposed into approximation and detail components by employing WT technique. Then, instead of using all the components as inputs, feature inputs are extracted from all the sub-series obtained from the above step. Finally, based on the extracted features and all the sub-series, a famous neural network construction method called cascade-correlation algorithm is applied to train neural network model to learn the dynamics. As an illustration, the proposed model is compared with two classical models and two hybrid models, respectively. They are the traditional cascade-correlation neural network, back-propagation neural network, wavelet-based cascade-correlation network using all the wavelet components as inputs to establish one model (WCCNN) and wavelet-based cascade-correlation network with combination of each sub-series model (WCCNN multi-models). Results obtained from this study indicate that the proposed method improves the accuracy of ANN and can yield better efficiency than other four neural network models.

     

基于快速提升小波变换的语音特征提取方法

为提高语音识别系统对环境噪声的鲁棒性,在快速提升小波的基础上,结合感知频域上的滤波与倒谱均值归一化技术,提出一种语音特征参数提取方法．仿真实验表明,与传统方法相比,噪声鲁棒性显著提高;在语音信号的信噪比相近情况下,与传统小波方法相比,该方法计算简便、易于编程、计算速度快．