光学相关模式识别

建模(model-based technique)、神经网络(neural network)和相关模式识别(correlation pattern recognition,CPR)是实现机器视觉和模式识别最常用的三种方法.与其他两种方法相比,CPR的优点在于:它是一种不需要特殊数据处理的独立于传感器的识别方法,可广泛用于不同的传感器获得的图像、数据处理,因此更适于工作在多重传感的环境下;CPR的识别原理使这种方法具有多目标识别和较好的抗噪声性能.它的相关输出结果的质量通常取决于匹配滤波器和匹配图之间在目标区形体轮廓上的近似性,受限于图像尺寸而不是需探测目标的数目,因此在使用其它的识别方法时,由于图像景物复杂、模糊和物体数目多而带来的庞大计算量会造成实际应用中的障碍,对于CPR这种限制几乎不存在.     

模式识别方法概述

模式识别技术在社会生活和科学研究的许多方面有着巨大的现实意义,己经在许多领域得到了广泛应用。文中就其理论基础与主要方法作了详细的介绍与阐述。分别介绍了统计模式识别、句法结构模式识别、模糊模式识别、人工神经网络模式识别、模板匹配模式识别、支持向量机的模式识别。     

基于神经网络的局部放电模式识别方法研究

局部放电是评价在线高压电器绝缘状态的重要技术参数之一.绝缘缺陷和局部放电紧密关联,在线监测高压电器运行状态,实时采集绝缘局部放电信号并对其进行数理分析处理和属性分类,推断、预测绝缘缺陷部位及放电发展程度,可以预报预防事故发生.因此,局部放电模式识别技术的研究和理论探讨具有重要的工程应用价值和学术意义.因此,文中将神经网络应用于局部放电的模式识别并进行研究,对数据进行归一化处理后得到较好的网络收敛性和识别速度.     

基于模式识别的盲分离语音信号获取方法

在批处理音频信号盲分离过程中,要将分离出的语音信号帧拼接成连续的语音比较困难,这主要是由于盲信号分离存在分离信号排列顺序的不确定性。笔者根据语音信号短时平稳特性,利用基音周期为窗长,连续分割盲分离信号,将各个窗内数据的归一化自相关函数值取平均作为音频信号的模式特征,最后根据相似性阈值和最小距离原则进行信号聚类分析,从而克服提取盲分离语音信号中的信号顺序不确定性,获得连续语音信号。实验仿真证明了该方法的有效性。     

具有目标增强功能的模式识别相关滤波器

提出一种改进模式识别相关滤波器的设计方法。它有两个特点：（１） 采用拉普拉斯算子增强输入图像边缘;（２） 滤波器的设计是基于增强后的目标而不是原始目标。计算机模拟结果表明,采用新的方法可以锐化相关峰并得到更好的识别效果。     

基于改进的Hopfield离散神经网络的模式识别

本文介绍基于改进的Ｈｏｐｆｉｅｌｄ离散神经网络（ＩＨＤＮ）的模式识别。当一个要求存贮在网络中的模式输入时，我们计算它与其它模式的类似测试，并把类似测试在网络综合中加以考虑。当输入任一矢量时，由于网络的联想能力，该矢量将进化到与它距离最近的一个存贮模式中。理论分析和实验仿真结果表明，ＩＨＤＮ比原Ｈｏｐｆｉｅｌｄ离散神经网络（ＨＤＮ）有更大的存贮容量和更强的联想能力。     

大量目标识别的光学相关与神经网络融合方法

本文基于光学相关与神经网络学习算法和编码聚类原理的融合 ,提出一种大数量目标的高效率分类识别方法 ,并以 67个字符 ,其中包括2 6个英文字母、1 0个数字和 31个省和直辖市的简称汉字的分类识别作为实例 ,给出详细的原理说明和结果。     

基于谱图和神经网络的通信干扰模式识别方法

对通信系统受干扰的模式进行分析和模式识别,可以指导通信系统进行相应的自适应参数调整,以具有更强、更有针对性的抗干扰能力。研究宽带通信系统,利用多隐藏层的神经网络可以解决任意形式分类问题的特性,构建一种基于功率谱谱图和双隐藏层神经网络的通信干扰模式识别方法,可以对5种常见的通信干扰进行快速的模式识别。仿真结果表明,该通信干扰模式识别方法对干扰模式在不同的干噪比情况下能获得99.6%以上的平均识别概率,对除梳状谱干扰外的各种干扰模式识别准确率均达到99.7%以上,梳状谱干扰识别准确率达到98.4%以上。该方法具备较稳定的识别能力,可应用于干扰感知的流程中。     

一种基于稀疏指数联想记忆神经网络的图像识别方法

区别于一般的图像识别方法,指数联想记忆模型（EAM）是一种对数据分布无任何要求的非线性技术,具有指数级的存储容量和良好的容噪性能。随着实际的需求和被处理问题规模的扩大,EAM所采用的全互连结构将导致布线工艺上的困难而难以克服,限制了模型的VLSI（超大规模集成电路）硬件实现,通过在EAM中引入社会领域中广泛存在的“六度分离”现象,借鉴Watts和Strogatz提出的“小世界网络”理论对EAM进行了稀疏化改造。改造后的稀疏指数联想记忆模型（SEAM）不仅结构相对简单、易于硬件实现,而且仿真结果表明在灰度图像加噪和部分缺失的情况下,SEAM识别性能和全互连的EAM相当,表现出了较强的鲁棒性。     

基于特征检测的人眼定位方法

介绍一种在人脸图像中定位人眼的方法。与现有的方法相比,本方法对图像中人脸的旋转不敏感;同时,在彩色图像中应用这种方法可以在人脸偏转了一定角度的情况下,较好地定位人眼。在处理灰度图像的时候,总结了一些与眼睛相关的几何性质,用以更精确地定位眼睛。在处理彩色图像的时候,应用了一种颜色变换的方法来提取人脸和眼白的特征。     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。     

基于仿生模式识别的DOA估计方法

该文就仿生模式识别(拓扑模式识别)在非感性抽象对象的信息处理方面的应用作了一些探索,提出了一种基于仿生模式识别的DOA估计方法。这种方法的建模过程是用在实际环境下采集的训练样本构造人工神经网络模型,对环境的适应能力较强,且这种方法的计算量较小,可以实现系统实时处理。实验结果表明：在信噪比为20 dB和0 dB时,该方法的正确估计率可达100%;在信噪比降为-20 dB时,该方法仍有83%的可识别率。     

基于高效液相色谱的中药材模式识别新方法

该文提出了一种基于高效液相色谱的中药材模式识别新方法。此方法采用一种新的自组织模糊神经网络识别中药材。网络由2级神经网络构成:第1级为子类自动聚类结构自组织模糊神经网络;第2级为有监督子类分类神经网络。整个网络既有神经网络的学习能力,又有模糊系统的基于规则的推理能力,特别是对子类的自动聚类能力。因为中药材会由于产地、采摘时间和处理方法的不同而有较大的区别,所以子类的自动聚类能力对中药材模式识别尤其有意义。另外整个网络还能适应特征维数不等的模糊模式识别问题。经大量中药材样本和实际测试表明,网络抗平移、形变和适应新产地药材的能力都很强,达到了预期效果。     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

基于矩阵模式的最小类内散度支持向量机

 基于最小类内散度支持向量机(MCSVMs)提出一种新的矩阵模式的最小类内散度支持向量机(MCSVMs^matrix).同时为了更好地解决非线性分类问题,将Mercer核函数引入到MCSVMs^matrix方法中,并提出基于矩阵模式的非线性支持向量机:Ker-MCSVMs^matrix.上述两种方法不但继承了MCSVMs的优点,而且由于将矩阵模式的类内散度矩阵引入到支持向量机中,从而在理论上可以较好地解决了MCSVMs方法在处理小样本高维数据集时类内散度矩阵奇异性问题,同时降低了求解类内散度矩阵及其逆矩阵和权重矢量的时间、空间复杂度.因此,在一定程度上提高了分类精度.实验结果也表明MCSVMs^matrix、Ker-MCSVMs matrix具有上述优势.     

一种基于径向和环向模式特征量的近红外星图匹配识别方法

通过近红外星空目标分布的特征分析,对近红外恒星目标进行了径向模式特征量的构造和环向模式特征量的构造,并对经构造得到的特征库和基于标准星空坐标数据完成的星空导航匹配库进行了模式特征量的匹配识别。结果表明,这种方法在实际应用中具有一定的价值。     

基于PCANN/HMM混合结构的语音识别方法

本文提出了一种基于PCANN/HMM混合结构的语音识别方法,它采用相继几帧组成的特征参数矢量作为语音识别HMM的输入,能有效地在语音识别HMM中引入帧间相关信息,同时为了改善多帧特征输入HMM的输出概率密度函数性能,在HMM的前端增加语音参数压缩的主分量分析神经网络(PCANN).通过对多讲者汉语连续语音识别实验,证实了本文提出方法的有效性.