基于I-DCV的人脸识别方法

在人脸识别的过程中,利用独立成分分析(ICA)方法得到的特征能够很好的描述原始图像,但是不具备很好的判别分类能力。判别共同矢量(DCV)是一种在类内散布矩阵的零空间中求取投影矩阵的方法,相比线性鉴别分析(LDA)方法,可以得到更具鉴别能力的特征。因此本文提出一种新的特征提取算法,简称I-DCV,首先对预处理后的人脸图像应用独立成分分析算法去除二阶及高阶冗余信息,然后利用DCV对求取的独立特征向量作进一步的处理,最后依据欧式距离进行分类识别。实验结果表明,本文提出的方法具有很好的识别性能。     

基于神经网络的说话人识别算法的研究与实验

人工神经网络通过学习可以实现对输入向量的分类,也就是说,对于经过训练的神经网络,每输入一个矢量,人工神经网络输出一个该矢量所属类别的标号,神经网络的这种分类作用可以运用到说话人识别中.本文在介绍人工神经网络实现对输入向量分类原理的基础上,通过MATLAB实现了基于神经网络学习向量量化方法(LVQ)的说话人识别实验,取得了较为满意的结果.     

基于EFPI传感器的GIS局部放电模式识别研究

非本征法布里-帕罗干涉(EFPI)光纤超声传感器可用于气体绝缘全封闭组合电器(GIS)内部的局部放电超声信号检测及模式识别研究,相较于传统的压电式传感器,具有灵敏度高、抗干扰能力强等优点。基于此,文中在充有0.4 MPa SF₆气体的GIS腔体内设置尖端、金属颗粒、悬浮和沿面4种典型的局部放电模型,创新性地利用EFPI传感器对放电超声信号进行检测,提取单次超声脉冲信号波形特征形成特征参数数据库,分别应用概率神经网络(PNN)算法和支持向量机(SVM)算法进行模式识别并比较分析。EFPI传感器检测到的超声信号特征突出,在提取特征参数的基础上,2种模式识别算法均能达到85%以上的平均识别率,且SVM的识别效果要优于PNN。     

基于深度学习的动态手势识别方法

为了提高动态手势的识别准确率,并避免动态手势的数据预分割和后输出处理过程,设计了一种融合卷积神经网络(CNN)和双向长短时记忆(BiLSTM),引入连接主义时间分类(CTC)作为损失函数的串联型网络模型。使用CTC训练网络来判断输入流中的类标签,以完成动态手势的识别工作。在公开视频手势数据集Jester和通过Kinect自建的包含9个动态手势的数据集上进行了实验验证,结果表明提出的串联型融合网络模型在Jester上能得到较高的识别率,并且引入CTC算法用于手势识别领域是可行的,该方法高效且具有很高的识别率,对9个动态手势最好识别正确率可达98.11%。     

基于SVM的汉语语音情感识别研究

随着信息技术的发展,对人机交互能力的要求不断提高,情感信息处理已成为提高人机交互能力的一个重要课题.本文提出了一种汉语语音情感分类方法,主要研究了4种基本的人类情感:高兴、愤怒、恐惧、悲伤.从汉语语音信号中提取了能量、基频、语速等特征,利用支持向量机方法识别,取得了43.7%的平均识别率.     

说话人识别技术及其在工厂自动控制系统中的应用

说话人识别是以话音对说话人进行区分，从而进行身份鉴别与认证的技术．介绍了在工厂自动控制系统中说话人识别技术的应用，包含其原理、所采用的识别方法及其系统实现．     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于惯性传感的人员行进动作识别方法

人员行进动作的识别对于行人航位推算(PDR)的计算精度有至关重要的影响。将连续的行进过程依据零速率修正点(ZUPT)划分为单步动作后,准确的动作识别是PDR系统的难题之一。将惯性测量单元IMU固连在胫骨中间外侧位置,采集了大量人员行进过程胫骨运动的加速度和角速度,建立了用于行进动作识别的惯性传感数据库。通过对人员的平地行走、上楼梯和下楼梯的惯性传感数据的分析,建议了一种结合运动特性寻找行进过程中零速率修正ZUPT点的方法。在完成单步步态划分的基础上,提出了一种基于支持向量机(SVM)理论,并采用惯性传感数据作为特征的SVM行进动作分类器。经大量人员行进实验验证,所建议的动作识别方法对于区分行走、上楼梯和行走、下楼梯,精度分别达到96%和85%。     

基于SOA-SVM的弓网电弧识别方法

受电弓-接触网作为牵引供电系统的重要组成部分关系着高速列车的安全与稳定,及早的对弓网电弧进行识别对于保障列车稳定运行具有十分重要的意义。通过计算更符合列运实际的“Z”字摩擦速率并对列车的运行时速、接触压力及接触电流依次进行单变量调整,模拟了4种不同工况的弓网受流实验。基于实验数据,从特征供给和参数优化两方面出发：首先,利用D-score评估准则对电流特征进行对比,筛选出电弧识别特征及其显著区间;其次,设计样本定容环节考察特征信息的完备性;最后,利用海鸥算法(seagull optimization algorithm, SOA)优化支持向量机(support vector machine, SVM)对弓网电弧建模识别。经测试结果与对比分析得出,SOA-SVM能够快速、有效的对弓网电弧建模识别,平均识别水平达98.5%、总体识别水平在97%以上。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于HHT的人体脉搏特征识别及分类研究

为了快速获取人体脉搏信号完整特征信息,并快速准确识别脉搏特征信息与人体疾病关联表征。研究采用多周期脉搏时域特征和基于集合模态经验分解（Ensemble Empirical Mode Decomposition EEMD）的希伯尔特黄变换(Hilbert-Huang-Transform HHT)获取瞬时频率及幅值作为频域特征,把时域及频域特征进行融合作为卷积神经网络的输入进行人体脉搏特征的识别及分类。从MIT-BIH 标准数据库中获取到三种临床症状的脉搏信号进行了实验分析,最后经过实验得到脉搏特征识别及分类准确率为91.88%。采用基于EEMD的HHT作为时域特征的补充,时频特征混合能够使得PPG脉搏信号完整的表征,并在卷积神经网络上进行分类实验,得到较好的分类效果。研究方法愿为临床诊断智能化发展、提高临床诊断的准确率及效率提供良好的促进作用。     

基于支持向量机的电晕放电模式识别方法

应用自回归（Autoregression,简称AR）模型提取电晕放电信号的AR模型参数作为信号特征量,利用支持向量机（Support Vector Machine,简称SVM）作为分类器对放电模型进行识别,重点分析了核函数和支持向量机参数对分类器的影响。结果表明,AR模型参数作为信号特征量,并与支持向量机结合对电晕放电信号进行识别是有效的。     

基于支持向量机铅酸蓄电池的分类研究

铅酸蓄电池是目前广泛使用的一种二次电池。在胶体电解质铅酸蓄电池的生产中,灌注的胶体电解质量不够的铅酸蓄电池必须在化成结束后重新补充胶体电解质。一般而言,判断铅酸蓄电池是否需要补充电解质是依据其化成后的电池容量和电解液体积。很明显这是一种耗时且不利于胶体电解质铅酸蓄电池配组的方法。文章提出了一种基于支持向量机的铅酸蓄电池补胶分类的方法,通过铅酸蓄电池化成过程中间步骤四个时间点的测试电压判断铅酸蓄电池是否需要补充胶体电解质。研究结果表明,该方法优于基于学习向量量化神经网络的分类方法,可以有效地缩短胶体电解质铅酸蓄电池生产时间。     

基于CEEMDAN-ZCR的光纤电流互感器非线性误差识别

针对光纤电流互感器(FOCT)漂移、变比波动等非线性误差问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)-过零率(ZCR)的光纤电流互感器误差识别算法。首先,利用CEEMDAN算法对光纤电流互感器输出电流信号进行分解,得到包含非线性误差特征的固有模态分量(IMF),构成原始误差向量数据集。然后,对比不同误差下的分量数量,利用ZCR算法计算不同误差下各个IMF分量的过零率指标,用于将IMF分类。最后,根据ZCR指标呈现出的特点,将IMF分量信号分为三类,并叠加重组为三个分量,构建出分解结果数量稳定的IMF分量信号,根据不同分量的特征实现误差识别。结果表明：基于CEEMDAN-ZCR的误差识别算法能够有效的识别两种误差,其中漂移误差特征主要集中在IMF中第三层,变比误差主要集中在IMF中第二层,验证了本方法的有效性。     

统计特征参数及多分类SVM的局部放电类型识别

局部放电模式识别是诊断变压器绝缘状况的一种有效方法,为提高局部放电类型识别的正确率,提出了基于统计特征参数及多分类SVM的局部放电类型的识别方法。在实验室设计了4种典型的变压器故障缺陷,采用统计特征参数法提取各局部放电图谱的27种特征量,引入M-ary分类思想,将支持向量机的两类分类问题扩展为多类分类,使训练计算量和测试计算量大大减少。实验结果表明,该方法用于局部放电类型识别具有较好地识别效果,并且计算速度快。     

基于人工神经网络的说话者识别研究

简要介绍了说话人识别的概念及人工神经网络的有关理论。以BP网络为例阐述了人工神经网络在说话者识别中的应用。实验证明,该方法不仅识别性能较好、操作方便,在身份认证领域是一种很具有吸引力和发展前途的新方法。     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

基于不变矩和SVM的圆形交通标志识别方法研究

针对道路交通标志的自动识别问题,通过不变矩和支持向量机(SVM)方法对圆形标志图像识别方法进行研究。首先根据交通标志的颜色和形状信息对采集到的原始图像进行颜色分割、形态学去噪和形状检测等处理,获得图像中包含交通标志的区域。然后分别对标志图像进行Hu矩和Zernike矩的特征值提取,将特征值输入SVM中进行训练并采用网格搜索法对SVM进行参数优化,最后使用优化后的支持向量机方法实现交通标志的识别。实验表明,与现有的其他交通标志识别算法相比,采用高阶Zernike矩与优化后SVM的识别方法有更好的识别效果。     

基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。