基于复杂度特征的数字调制模式识别

为了提高数字信号调制模式识别在低信噪比下的正确率,在对复杂度理论加以分析的基础上,提出了一种新的特征提取方法。该方法首先引入希尔伯特-黄变换求得样本的边际谱,然后利用分形和Lempel-Ziv复杂度的方法提取用于调制识别的特征参数,最后利用RBF神经网络分类器进行数字信号调制模式的分类识别。仿真结果表明该算法具有较好性能。     

基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法.利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果.实验表明,该识别方法能有效提高离线签名的识别率.     

基于神经网络信息融合的印刷体字符识别研究

针对印刷体字符识别,提出一种基于神经网络信息融合的方法.在对待识别目标提取特征后,分别采用2种反向传播算法的改进算法和遗传算法构造神经网络分类器模型,并进行网络的训练和识别工作.通过实验数据着重分析和比较了3种算法的特点,将此3种分类器得出的分类结果进行决策级的信息融合,最终得出识别结果.实验结果表明,此方法简单可行,具有较高的鲁棒性和识别率.     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法。利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果。实验表明,该识别方法能有效提高离线签名的识别率。     

红外双色目标识别技术

介绍了一种红外双色目标识别算法。该算法将通过二维傅立叶小波变换对图像提取的特征作为特征向量,这组特征向量具有旋转、平移和尺度不变性。利用Dempster-Shafer(D-S)证据理论进行图像融合,并使用神经网络分类器进行分类。实验结果表明,该算法提高了对近似物体的识别能力,能对飞机、舰船等目标进行有效的识别。     

基于小波变换与神经网络的表面肌电信号的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电图(EMG)的非平稳性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值和最小值构造特征矢量,分别输入用L-M算法改进的BP神经网络分类器和最近邻法分类器进行情感识别。实验表明,提取EMG的小波系数对joy、anger、sadness、pleasure四种情感进行识别,BP神经网络分类器识别效果优于最近邻法分类器。说明小波变换的方法对EMG进行分析是可行且有效的,并有很大的应用前景。     

基于谱相关和RBFNN的调制识别算法

根据谱相关函数理论,对常用通信信号的谱相关函数和谱相关平面图的分析,提取4个可用于调制信号识别的谱相关特征参数.分类器算法采用改进的RBF神经网络.利用提出的联合特征参数和分类器算法能动态识别信号的调制方式.仿真结果表明,该算法在不增加算法复杂度的前提下,在低信噪比下能够取得较高的正确识别率.