基于脚步诱发结构振动的人员特征身份识别研究

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

基于脚步诱发结构振动的人员特征身份识别研究EI北大核心CSCD

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

基于最小均方无失真响应和支持向量机的被动声纳目标识别

为了有效地进行被动声纳识别,研究了一种运用最小均方无失真响应（Minimum Variance Distortionless Response,MVDR）谱系数作为特征参数,用多分类支持向量机作为分类器,进行被动声纳目标识别的方法。实验表明,在不同数目的训练样本情况下,基于最小均方无失真响应谱系数和多分类支持向量机的被动声纳目标识别方法使系统的性能显著提高,具有很好的识别效果和应用价值.其优于传统的神经网络作为分类器的识别方法,尤其是在训练样本较少情况下,识别率具有很大的提高。     

用于水声目标识别的自适应遗传样本选择算法

针对训练样本集中含有噪声样本、冗余样本以及无关样本,导致分类系统分类性能下降、不稳定的水声目标识别问题,提出了一种新的自适应遗传样本选择算法(Adaptive Genetic Instance Selection Algorithm, AGISA)。算法先随机生成初始种群,接着利用设计的遗传算子(跨代选择、自适应交叉和简化最近邻变异)指导种群进化,每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征,进行样本选择和分类识别仿真实验,结果表明：AGISA可以选出有效样本子集,在样本维数下降约73%的情况下,支持向量机分类器的正确分类率能提高约2.5%;并且AGISA具有较好的收敛性、稳定性,所得优化样本子集具有较好泛化能力且能明显减少分类的时间。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于最小半径模糊支持向量机的森林火灾区域提取

为提高火灾识别精度,并解决支持向量机方法对噪声或异常样本敏感的问题,提出了一种基于最小半径模糊支持向量机的火灾区域提取方法进行森林火灾提取,更好地为火灾识别做好前期工作.提取火灾颜色、灰度平均值、标准差、相关系数特征作为样本;利用最小半径法求出样本数据的最小半径和球心,选用改进的S模糊隶属度模糊支持向量机对提取的特征进行训练,从而得到最优分类超平面;利用所得分类面对火灾图片上的火灾区域进行提取.实验结果表明,将模糊隶属度运用到训练样本集上,在精确度方面要比传统支持向量机算法有所提高,能够为更好地进行火灾图像识别打下良好的基础.     

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。     

基于BP神经网络的数字识别系统

系统通过对图像的一系列预处理,采用BP算法神经网络,根据数字字符特征进行识别。用该算法实现的数字字符识别系统识别率高,误识率低,可以单独使用,也可以把它作为一个识别系统的软件核心应用到车牌识别、运动员号码识别、车厢识别等系统中去。     

一种视听融合的水下目标识别方法研究

特征提取是水下目标识别研究中最为关键的技术之一,特征参数的优劣将直接决定分类识别系统的性能。将声信号的听觉与视觉感知特征结合,应用于水下目标识别,通过实验得出如下结论,相比于单独应用听觉特征,融合特征的平均识别率能提高4%~6%以上,特别是将听觉特征与声谱图的Gabor小波变换特征、灰度-梯度共生特征进行融合后,分类性能较好,平均达到87%以上。     

一种有效降维的特征选择方法及其在水声目标识别中的应用

为在保证目标识别准确率基础上进行有效特征降维,文章以目标识别准确率为特征选择准则,提出一种支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination,SVM-RFE）快速筛选出部分优质特征子集与猫群算法（Cat Swarm Algorithm,CSO）迭代寻优结合的特征选择方法,并将该方法应用于水声目标识别的特征选择。实验数据处理结果表明：相比SVM-RFE和CSO特征选择算法,文中提出的方法在平均特征维数降低8%的基础上,平均目标识别率提高了1.88%,能够实现有效降维的目的。该方法对判断特征是否适合用于特定的目标识别也有一定应用价值。     

模糊融合分类器在水雷识别中的应用

当目标的类别多时会使分类器的精度和稳健性大受影响,用神经网络分类器去完成复杂的目标分类任务是难以保证其可靠性的。引入信息融合条件下一种新型的分类器,即模糊融合分类器,该分类器可以自动“过滤”无效和冗余特征的负面影响,实现有效的特征层融合识别。采用4种特征提取方法,利用三个模糊融合神经网络作为分类器进行特征层的融合,再将分类器的输出作为决策层的融合,提高系统的分类性能。通过处理水雷实体回波数据得出的识别率表明,所选取的特征提取和分类器算法是有效的。     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

S变换在水下目标分类识别中的应用

目标特征提取是目标识别的重要部分。介绍了一种较新的时频分析方法——S变换,对莱蒙湖底四类沉积物的反射回波进行S变换,并提出了提取变换后以频谱图的时间能量谱和奇异值为特征的特征提取方法,分析了四类回波的时间能量谱和奇异值特征的差异,并进一步用距离可分性测度检验了所提取的特征性能。最后利用最近邻分类器分类,仿真结果显示,该特征提取方法是一种有效的、稳定的特征提取方法,将在水下目标识别领域有更多的应用。     

基于特征选择和GWO-KELM的鸟声识别算法

针对鸟声识别算法中提取特征单一、分类准确率低等问题,提出一种基于混合特征选择和灰狼算法优化核极限学习机的鸟声识别方法。首先从鸟声数据中提取大规模声学特征集ComParE,其次计算每个特征的F_score并进行排序,然后以广义顺序向前浮动搜索(Generalized Sequential Forward Floating Search, GSFFS)为搜索策略,特征子集在核极限学习机(Kernel Limit Learning Machine, KELM)上十折交叉验证的正确率,作为特征选择标准进行特征选择,得到适用于鸟声识别的特征子集,最后通过灰狼算法(Grey Wolf Optimizer, GWO)选择最优KELM参数识别鸟声。在柏林自然科学博物馆鸟声数据库中进行实验,该方法在60类鸟声识别平均正确率和F1-score达到94.45%和92.29%。结果表明,该方法相较于传统自行设计提取的单一特征集具有更高的识别精度,GWO-KELM模型比网格搜索方式更易找到全局最优值。     

一种基于视图和支持向量机的三维物体识别方法

为提高三维物体识别系统性能并减少计算复杂性,本文提出了一种基于视图的方法.首先从三维物体的二维视图中提取颜色矩、纹理特征和仿射不变矩.颜色矩对于物体的大小和姿态不敏感且性能稳健.纹理特征可区别形状相似但外观不同的物体.仿射不变矩在物体发生仿射形变下具有不变性.本文将上述各种特征组合为23个分量的特征向量,送入支持向量机进行训练并识别.基于两种公开的三维物体数据库COIL-100和ALOI测试了本文方法性能.当每物体训练视角为36个(视角间隔10°)时,在两个数据库上的实验都达到了100%的识别率.进一步减少训练视角数量也达到较满意的识别性能,优于文献中的方法.     

Pattern recognition of jet fuels: comprehensive GC×GC with ANOVA-based feature selection and principal component analysis

Two-dimensional comprehensive gas chromatography (GC×GC) is applied to a pattern recognition problem involving classification of jet fuel mixtures. Analysis of variance (ANOVA)-based feature selection is initially used to identify and select chromatographic features relevant to a given classification in two studies. Then, principal component analysis (PCA) was used for pattern recognition classification. In the first study, a 1% volumetric composition change in mixtures of JP-5 and JP-7 jet fuel is readily distinguished. In this first study, the effective combination of GC×GC, ANOVA-based feature selection and PCA is developed and evaluated as a chemical analysis tool. The second study involved the analysis of three samples each of three different jet fuel types, JP-5, JP-8, and JP-TS, as well as blends incorporating two or three jet fuels. Each of the nine jet fuel samples originated from various geographic locations within the United States. These samples were analyzed in order to determine if a classification based on fuel type is possible in the presence of sample variability (due to geographic origin) with GC×GC/pattern recognition analysis. Chromatographic features that are adept at classification of jet fuel type and are not sensitive to geographic origin of the sample were generated for the sample set consisting of the original fuel types as well as mixtures of the three different, original jet fuels. The combination of GC×GC with ANOVA-based feature selection was found to be a useful tool to enhance the chemical selectivity, and thus the classification power of the analytical procedure, when coupled with PCA.     

仿射变换下的分类识别

特征提取和分类识别是统计模式识别中两大关键步骤。显然,不同的特征提取方法与不同的分类器相结合,识别性能往往是不同的。从微分几何的角度出发,可将特征系数的获得看成线性几何变换,即仿射变换,据此在黎曼空间提出一种基于黎曼度量的分类识别方法。通过对经典最近邻分类器的线性加权,达到更有效地分类识别。不但在理论上将特征系数提取与分类识别合理的结合起来,而且由人脸识别实验表明该方法的有效性,该方法比传统方法的识别率有约 3%的提高。