用Bark频谱投影识别低信噪比动物声音

复杂环境声影响低信噪比动物声音的自动识别。为解决这一问题,本文提出一种不同声场景下低信噪比动物声音识别的方法。该方法把声音信号进行Bark尺度的小波包分解,再使用分解系数生成重构信号的频谱,并对频谱进行投影生成Bark频谱投影特征,通过随机森林分类器实现低信噪比动物声音的识别。该文分别在流水声环境、公路环境、风声环境和嘈杂说话声环境下,以不同的信噪比,对40种动物声音进行识别实验。结果表明,结合短时谱估计法、Bark频谱投影特征和随机森林的方法对不同信噪比的各种环境声音中动物声音的平均识别率可以达到80.5%,且在-10 dB的情况下依然保持平均60%以上的识别率。     

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。     

基于差分进化的ELM加权集成分类

集成分类通过将若干个弱分类器依据某种规则进行组合,能有效改善分类性能。在组合过程中,各个弱分类器对分类结果的重要程度往往不一样。极限学习机是最近提出的一个新的训练单隐层前馈神经网络的学习算法。以极限学习机为基分类器,提出了一个基于差分进化的极限学习机加权集成方法。提出的方法通过差分进化算法来优化集成方法中各个基分类器的权值。实验结果表明,该方法与基于简单投票集成方法和基于Adaboost集成方法相比,具有较高的分类准确性和较好的泛化能力。     

基于BP神经网络的水中目标声音特征信号分类研究

本文采用了BP神经网络在声音识别分类方面的相关技术,针对不同水中的航行体的声学特点,构建了BP神经网络。将已知的四类声音信号中的一部分作为训练样本对神经网络进行了训练,最终获得了成熟的神经网络,经验证该网络可以很好的对不同水声目标的声学信号特征进行分类识别,利用该方法可以有效提高侦测设备对目标的识别能力。     

基于BP神经网络的车辆声音信号识别

声音信号包含着很多的信息量,且获取比较方便.近年来,声音识别技术被广泛应用于各个领域,有着重要的意义.本文主要介绍了小波理论和BP神经网络识别算法.通过对采集到的不同类型车辆的声音信号进行分析和预处理,采用小波变换提取低维的特征参数,构建并成功训练一个三层BP神经网络,从而有效地识别出了车型.     

基于免疫RBF网络的雷达信号分类识别

采用了以免疫RBF网络为子网络的神经网络阵列实现了对雷达信号体制和用途的分类识别。免疫RBF网络采用全局搜索的优化方式，克服了传统算法的固有缺陷，在收敛速度和性能上都有较大的提高；通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围。采用神经网络阵列有效地解决了单个神经网络在雷达信号识别中训练时间长，扩充、修改、维护难等致命的弱点。仿真结果表明，在雷达参数不全的情况下，免疫RBF网络阵列对各种雷达的体制和用途都达到了较高的正确识别率。     

基于流量分类的工控联网设备识别

为发展工控网络智能化管理,研究工控网络中设备类型的自动识别技术,提出一种基于流量分类的设备类型识别方法,综合报文首部特征以及有效载荷隐含特征。利用随机森林模型,筛选报文首部字段中工控网络流量分类的关键特征;利用一维卷积神经网络,提取流量有效载荷的隐含特征;两种特征融合完成流量分类,基于流量分类结果实现设备类型识别。实验结果表明,由该方法训练的模型可高效完成设备流量分类,准确识别工控设备类型。     

通信信号识别分类与识别概率探讨

本文讨论了一种通信信号的自动识别分类方法,采用信号处理和模式识别对信号频域特征和调制类型进行提取分析。并对识别概率进行了详细讨论。测出了12种典型信号的频谱识别图和识别概率。     

基于声音频谱特征的两层分类方法

提出一种通过分析声音的彩色时频谱图像以完成声音识别与分类的方法。首先采用逐步聚类算法完成对声音信号的第一层聚类;然后通过HSV色图映射将每一聚类声音的时频特征矩阵映射为彩色图像;最后提取相应的时频谱图像颜色矩特征,并给予不同权重值,进而对每一聚类单独使用SVM分类器,完成第二层分类。实验结果表明,在噪声环境下,此分类方法具有良好的抗噪性能与分类效果。     

基于△MFCC和KNN的挖掘设备声音识别

为保障电缆不受外力破坏,运用声音信号处理和模式识别技术,对挖掘设备声音信号进行识别。主要研究内容有:1声音信号的倒谱域特征参数分析:Mel频率倒谱系数(MFCC),一阶差分Mel频率倒谱系数(△MFCC);2采用KNN的识别算法进行测试。理论分析和实验结果表明,对于4种设备声音信号,△MFCC识别率可达86.69%,满足实际应用需求。提出的挖掘设备声音信号处理及识别算法具有通用性,可用于地下管道监测等领域。     

基于差分进化算法的雷达辐射源识别研究

研究雷达辐射源识别优化问题,由于各种噪声影响,使信号不清。差分进化算法是一种有效的寻找函数极值的演化计算方法,具有简单和鲁棒性强的优点。为了准确识别雷达辐射信号,提出一种差分进化算法的雷达辐射源识别方法,采用模式匹配的雷达辐射源识别模型,进行参数选择,并给出了具体的实现算法。仿真结果表明,采用差分进化算法能近似最优地实现对所提识别模型的参数估计,能够有效地提取雷达辐射源数据中有用信息,成功排除噪声干扰,取得良好的识别效果。研究内容可供开展雷达辐射源数据识别应用参考。     

基于随机森林的手写数字识别技术

数字识别是OCR(光学字符识别)技术的一个重要分支,是模式识别中的热门研究方向.为了扩展数字识别技术应用领域,提高手写数字识别的精度,应用随机森林的方法对于MNIST手写体数据集训练集进行了训练,然后对测试集进行了结果测试,识别率达到96.8％以上,实验结果证实了基于随机森林的识别技术可进一步提高数字识别的精度.     

基于SPARK与随机森林的短信诈骗用户识别研究

当今数据时代电信诈骗现象日益增多,为了在短信诈骗份子实施诈骗前及时识别出其身份,根据目前电信行业需求及研究现状,在SPARK并行处理框架上,针对性地提出了分层子空间的加权随机森林算法。面对短信用户种类繁杂导致的数据类别不平衡带来的随机森林性能低下的问题,采用改进的分层子空间的方法,并根据评估出的每棵树的分类能力给决策树加权,相较于其他分类算法,改进的随机森林表现得更优异;针对电信行业海量数据的特点,选择分布式SPARK作为数据处理平台,并行化的平台缩短了模型训练和测试时间,提高了效率,实时、准确地识别电信短信诈骗用户,其准确率达到90%以上。     

用改进的深度差分特征识别人体部位

为了进一步提高人体部位识别正确率,考虑人体部位尺寸不一特性,提出了改进型深度差分特征。改进型深度差分特征根据人体部位尺寸大小确定特征偏移量取值,然后利用随机森林算法训练分类模型,实现了人体部位识别。实验结果表明,采用改进型深度差分特征作为分类模型的训练特征点,实现了人体部位更高、更准确的识别率,比原深度差分特征提高了1.95%。     

基于深度学习的无人机声音识别算法

深度学习在图像识别和声音处理方面已经展现了它优越的性能和广阔的发展前景,对于在禁飞区设立的无人机侦测系统,使用深度学习的方法判断无人机的声音信号具有一定的意义.为了获得更优的侦测效果,首先列举了目前具有代表性的特征提取和分类方法,并分析其优缺点;然后提出了一种扩大可用样本数量的数据处理方式,同时在实验中使用不同组合的深...     

基于迁徙差分进化算法集成的模体识别

为了克服微分进化的局部收敛问题,通过模拟游牧民族的迁徙机制,提出一种迁徙策略,将其与差分进化算法相结合,得到一种迁徙差分进化算法新范式,利用集成技术,发挥各种差分进化算法的优点,提高算法的全局搜索能力。通过生物序列模体识别实验,验证了该算法的有效性。     

超声手势识别的分类特征优化

针对现有基于超声波的手势识别方案微手势的识别率偏低的问题,在现有特征集合的基础上,添加多普勒轮廓和距离轮廓的相关特征;为减少特征提取的计算量,提高系统的响应速度,提出一套尽量采用数据依赖关系存在关联的特征构成特征集合的筛选标准.对8种手势进行识别实验,测试结果表明,采用优化后的特征集合,相同的特征维数,整体的识别率提高...     

基于特征分析的环境声音事件识别算法

对于环境声音事件,传统语音识别算法的识别效率低、稳定性差。为此,提出一种基于特征分析的环境声音事件识别算法。定义环境声音事件,分析常用的声音特征,不使用分类模型,仅利用特征对4种典型的环境声音事件进行分类。实验证明,该算法在识别率和稳定性上都优于传统识别算法,能够完成分类任务。     

一种多特征分类识别算法融合的网络钓鱼识别技术

针对页面特征提取实时性差的问题进行了研究,提出将特征分类,并行提取、检测、再融合结果的方法。首先提取三个类别的主要特征,包括文本、视觉和网络链接;然后,分别利用了贝叶斯算法、EMD算法以及网络爬虫来进行分类;并且基于后验概率来确定权值的最终选取。最后,把这三个分类结果进行融合。通过对贝叶斯、加权和加权贝叶斯的比较,从正确率、漏报率和误报率对算法进行评估,实验表明采用加权贝叶斯的方法来进行融合计算效果最佳,能够提供较高的准确率和较低的误报和漏报,提高检测的精度和实时性。     

基于改进贝叶斯的书目自动分类算法

贝叶斯算法被广泛应用于书目自动分类领域。该算法常使用差分进化算法来评估概率项,但是传统的差分进化算法容易陷入局部最优解,使得贝叶斯分类精度较低。针对该问题,提出了基于改进贝叶斯的书目自动分类方法。该方法通过多父突变和交叉操作估计概率项的最优解,提高贝叶斯分类精度;在进行书目自动分类时,先采用ICTCLAS系统进行文本预处理,再提取文本的词频-逆向文件频率特征,接着采用改进的贝叶斯估计方法对特征进行训练与分类,最终实现书目的自动分类。仿真结果表明,该方法具有较高的分类准确率。