基于虹膜的身份识别技术

由于传统的身份识别体系面临着巨大的挑战,所以基于虹膜的生物特征识别越来越受到大家的关注,对基于虹膜的身份识别算法的关键技术进行了研究,对虹膜识别中的虹膜定位、虹膜特征提取等关键技术进行了相应的研究。     

基于手背静脉图像多特征稀疏表示的身份识别

为了准确地对人的身份进行识别,提出了一种对采集静脉图像的全局特征和局部特征进行稀疏表示的识别算法.该算法首先应确定静脉样本库中所有的静脉对象,并在不同光强下对每一手背静脉进行采集,此外将采集图像进行适当压缩与旋转,并将变换后的所有图像作为库中描述该静脉对象的样本;其次,分别提取该静脉对象所有样本的全局特征与局部特征,并通过求解每一特征系数向量的最小1范数,对未知静脉图像的全局与局部特征进行稀疏表示;最后,融合稀疏表示结果,完成静脉识别的过程.通过在3种光强下对200个人的手背静脉进行采集,并经过图像压缩与旋转调整后建立实验所需的静脉样本数据库,识别实验表明该识别方法正确识别率达到98％以上,并且对于采集时出现多种不合作因素具有较好的鲁棒性,同时具有较好的实用价值.     

车加工特征的自动识别与选择方法

提出一种车加工特征的自动识别和优化选择方法。首先，对于需要铣／车的零件，使用基于实体布尔运算的渐进式方法生成最大车加工体；然后，在毛坯和最大车加工体几何模型的基础上。生成需要切除材料的几何模型，并将该模型剖分为单元网格，形成属性化图的表示，根据属性化子图匹配算法统一地识别常规特征和用户自定义特征，形成零件车加工的原始特征集合；根据特征个数和方向数最小原则对原始特征集合进行优选和去冗余；最后，在相交特征之间选择特征前后顺序约束，使得按此顺序修剪后的特征重叠部分达到最少，以实现加工时间优化的目的。最后输出的是修剪后的非冗余特征集合及在其上的前后约束有向图。     

基于工期约束的动态联盟伙伴选择

具有项目投标价格和完工时间因素的带工期约束的伙伴选择问题是企业动态联盟的基本问题,证明了该问题是NP完全问题。为设计求解该问题的分支定界算法,建立了非线性整数规划模型。证明了模型中目标函数和约束函数的单调性,并利用单调性给出了判断问题无解和问题最优解已知的条件,构造了收缩求解区域的二分法。实验表明,基于这些结果所构造的分支定界算法是有效的。     

基于过滤器-封装器组合模型的故障特征选择算法

利用过滤器法运行速度快和封装器法精度高的优点，提出了一种新的Filter—Wrapper两阶段组合式特征选择算法。在Filter阶段，算法采用Fisher准则对特征进行排序；在Wrapper阶段，以分类器的性能作为适应度函数，根据特征排序结果采用遗传算法搜索特征子集。运用滚动轴承故障模拟试验的数据对所提出的算法进行了验证，结果表明，相比单一的过滤器法或封装器法，该算法能够同时提高特征选择的性能和效率。     

基于图的特征识别中体特征的生成方法

提出了一种把特征面表示转换成特征体表示的新方法，该方法首先利用特征面表示的几何信息与拓扑信息对相交特征的边界进行恢复，并对相关特征面进行适当的延拓构造特征的壳体；然后根据特征的加工顺序，用特征壳体逐次分割毛坯去除体，进而得到加工特征体表示。这种方法对任意类型的特征均可统一处理。     

基于序列图像提取稳定特征点的虹膜识别算法

为了尽可能降低不稳定特征点对识别率的影响,研究提出了基于序列图像提取稳定特征点的虹膜识别算法.该算法首先用二维Gabor滤波器对序列虹膜图像提取特征编码,然后对该序列特征编码求交集以提取稳定特征点,并利用这些稳定特征点建立虹膜的特征模板库,最后通过计算相似度,获得识别结果.在实验室采集的序列虹膜图库上,当等错率为0.3017%,分类阈值为0.6402时,正确识别率可以达到99.73%.实验证明该算法是有效、可行的,并更好地提高了虹膜的分类精度和改善了虹膜的识别性能.     

基于数据融合的三段式心音身份识别技术

提出了一种新的基于多特征提取的心音身份识别技术。在分析心音信号特性的基础上,采用独立子波函数表征个体心音特征信息,通过建立"第一心音s1、第二心音s2和周期-功率-频率(T-P-F)图"的三段式识别模型和应用相似距离的模式匹配方法,以及采用单路心音信号多周期段的数据层融合和改进的D-S数据决策层融合算法,有效地实现了单路心音信号多特征提取的身份识别。另外还介绍了一种双听诊头的心声检测装置。实际实验结果表明,该方法具有很好的识别率和可行性。     

基于蚁群算法的铣削力信号特征选择方法

为有效地进行刀具状态模式识别,以端面铣刀为研究对象,采用蚁群算法对铣削力信号进行研究分析,提出一种可用于刀具状态识别的特征选择方法。该方法将特征选择过程转化成蚁群算法中蚂蚁寻找最优路径的过程,给出了转移概率公式,并运用Fisher标准判别率作为启发信息,同时将每次搜索得出的最优特征子集输入BP神经网络进行模式识别,得到的正确率整合进信息素更新策略。另外,改进了蚁群算法参数选择方法。实验结果表明,该方法可以高效地进行特征优化选择,进而使模式识别正确率较未经特征选择时得到显著提高。     

基于特征模型的特征相交识别

在对铣、钻类特征相交关系分析和研究的基础上,运用增量式制造特征识别法设计出相交特征映射识别系统。该系统能有效地识别出新建设计特征与已识别制造特征的相交关系,实现设计特征的映射和识别。识别产生的零件制造特征解释模型和制造特征信息库能有力地支持设计的可制造性分析。     

基于分布计算的心电特征波检测算法研究

体外反搏装置依据心电信号对下肢进行加压及释放,需要识别率高、实时性强的心电特征波检测方法。 借鉴传统医学 信号处理方法,本文提出一种基于改进差分阈值和分布计算的心电特征信号检测算法,采用低通滤波和移动平均滤波等预处理 方法对心电信号进行平滑预处理,借助自适应差分双阈值法和分布计算法,识别和确定 R 波、P 波及 T 波的位置。 基于 MITBIH 数据库及心电采样模块进行仿真分析和实验验证。 结果表明:该算法对心电信号 R 波的综合识别准确率为 99. 9% ,识别 P 波和 T 波准确率为 99. 87% ,算法平均耗时仅为 0. 65 s,可识别常见类型心电信号特征波,能很好地满足体外反搏等装置快速识 别心电特征波的需求。     

心电信号特征点提取的算法研究

基于连续小波变换尺度取值的灵活性以及小波变换模极大值与心电信号特征点之间的对应关系,提出了心电信号特征点提取的新算法。利用Mexican-hat小波,对心电信号进行连续小波变换后,从小波域里取出最有利于特征点检测的尺度分量进行检测,在检测中运用了不应期、可变时间窗等策略以提高该算法的鲁棒性和检测精度。经由具有专家注释的QT心电数据库检测验证,QRS波正确检测率达到了99.7%,对P波和QRS波的起止点以及T波的终止点检测结果的平均标准偏差也在允许偏差范围之内。     

基于filter-wrapper的两步特征变量提取方法

特征变量选择是高维数据分类问题的核心,主要有过滤法和缠绕法两种特征变量选择方法。针对"过滤法与分类算法相互独立,不利于对分类性能优化,而缠绕法依赖于分类算法,在高维高噪的数据中容易过拟合"这个问题,为了能有效提取特征变量,提出了一种新的特征提取方法,即filter-wrapper两步法,先通过有监督奇异值分解方法降维去噪,粗选出一部分备选变量;再应用MonteCarlo决策树策略从备选变量中精选出重要的特征变量。通过以典型的高维高噪数据为例验证了该方法,实验结果表明了上述方法的可行性和有效性。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.     

Human activity recognition based on feature selection in smart home using back-propagation algorithm

In this paper, Back-propagation(BP) algorithm has been used to train the feed forward neural network for human activity recognition in smart home environments, and inter-class distance method for feature selection of observed motion sensor events is discussed and tested. And then, the human activity recognition performances of neural network using BP algorithm have been evaluated and compared with other probabilistic algorithms: Naïve Bayes(NB) classifier and Hidden Markov Model(HMM). The results show that different feature datasets yield different activity recognition accuracy. The selection of unsuitable feature datasets increases the computational complexity and degrades the activity recognition accuracy. Furthermore, neural network using BP algorithm has relatively better human activity recognition performances than NB classifier and HMM.     

融合Gabor小波能量与方向特征的掌纹识别算法

提出了一种融合Gabor小波能量与方向两级特征的掌纹识别算法,有效地解决了纹线的方向特征难以描述的困难.首先对预处理后的掌纹进行不同方向不同尺度的Gabor小波多通道滤波,再对得到的各个方向子带进行模糊分块,计算每一小块区域的能量,在同一尺度不同方向上找出能量最大的区域,并标记此区域对应的Gabor方向.采用格雷码对方向特征编码,再分别计算能量特征的欧氏距离和方向特征的汉明距离,最后将2种距离按权相加进行掌纹识别.与利用单一能量或方向特征的算法相比,本文提出的算法具有较高的检索识别率.     

Optimal feature selection using genetic algorithm for mechanical fault detection of induction motor

Time-domain vibration signals are measured in all horizontal, axial, and vertical directions for induction motor mechanical fault diagnostics. Many features are extracted from these signals. The problem is how to find the good features among the feature set in order to receive reliable classifications. Based on specific distance criteria, a genetic algorithm (GA) is introduced to reduce the number of features by selecting optimized ones for fault classification purpose. A decision tree and multi-class support vector machine are used to illustrate the potentiality and efficiency of this selection method. Comparisons show that the diagnostic systems after selecting specific features perform better than the original system.     

Feature selection for ECG signal processing using improved genetic algorithm and empirical mode decomposition

This paper proposes a novel scheme of feature selection, which employs a modified genetic algorithm that uses a variable-range searching strategy and empirical mode decomposition (EMD). Combined with support vector machines (SVMs), a new pattern recognition method for electrocardiograph (ECG) is developed. First, the ECG signal is decomposed into intrinsic mode functions (IMFs) that represent signal characteristics with sample oscillatory modes. Then, the modified genetic algorithm with variable-range encoding and dynamic searching strategy is used to optimize statistical feature subsets. Next, a statistical model based on receiver operating characteristic (ROC) analysis is developed to select the dominant features. Finally, the SVM-based pattern recognition model is used to classify different ECG patterns. Comparative studies with peer-reviewed results and two other well-known feature selection methods demonstrate that the proposed method can select dominant features in processing ECG signal, and achieve better classification performance with lower feature dimensionality.     

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。     

一种新型心电信号采集及分析系统

本文内容主要包括应用单片机构成的心电信号的采集系统和心电图QRS波检测及心率测定、分析系统。硬件设计采用胸部双导联输入,用89C51作为处理器,包括模拟和数字两部分。软件设计采用差分阈值算法来检测QRS波并测得心率,该算法以斜率和幅度为基础。