自适应网络应用特征发现方法

提出了一种应用特征的自动提取方法。该方法首先从应用层载荷中提取关键词序列,然后通过负例子集合和冗余处理生成候选特征集,最后通过基于识别率的自适应机制选择应用特征。实验结果表明,该方法提取的应用特征能精确识别不同的协议。     

一种新的提高掌纹识别率方法的研究

生物特征识别技术是通过人体本身所固有的、唯一的生理特征来自动地识别一个人。针对掌纹图像具有终身不变性、唯一性、主要特征明显、细节特征唯一等特点,论文提出了一种有效提高掌纹识别率的方法,即结合图像中的主元特征、不变矩特征和线特征的提取方法。该方法与单独使用主元特征提取、不变矩特征提取和线特征提取的方法进行了比较实验,结果证明新方法的识别率有明显提高。     

一种基于二代Curvelet和2D Log-Gabor滤波器的多模特征层融合识别方法

针对单模生物特征识别在实际应用中易受干扰、识别率低且无法达到零错误识别的问题,提出一种基于二代Curvelet和2DLog-Gabor滤波器的人脸与虹膜特征层融合识别算法.该方法利用二代曲波变换提取人脸特征,用2DLog-Gabor幅值法提取虹膜特征,通过PCA降维单模特征向量,在特征层进行融合,通过SVM分类识别融合特征向量.在ORL人脸库和CISIA虹膜库构成的多模生物特征库上进行测试.实验结果表明:该算法正确识别率能达到100%,较单模人脸、单模虹膜识别方法的识别率均提高3.33%,为多模生物特征识别提供了一种有效模型.     

应用层负载特征定义及自动提取方法

针对现有网络流量识别中应用层负载特征提取方法对训练数据中字节值变化较为敏感的问题,首先定义了一种新的以位为最小特征单位的网络流量应用层负载特征,然后设计了相应的自动提取方法。通过3种常用标准协议的实验表明,自动提取方法可以快速获得负载特征,特征识别结果准确性高。对QQ私有应用协议的实验表明,使用获取到的负载特征进行网络流量识别,可以满足实际网络中对QQ网络流量识别的要求。     

基于多分类器投票组合的语音情感识别

为了提高语音情感的正确识别率,提出一种基于多分类器投票组合的语音情感识别新方法.在提取情感语音的韵律特征和音质特征基础上,利用投票方法将支持向量机、K近邻法和人工神经网络三种分类器构成组合分类器,实现对汉语生气、高兴、悲伤和惊奇4种主要情感类型的识别.实验结果表明,与使用单一分类器相比,组合分类器对语音情感的识别取得了87.4%的平均正确识别率,识别效果优于单一分类器.     

小波分形分解特征在手写体汉字识别中的研究

文章研究了手写体汉字识别中的一种新的特征提取方法——小波分形分解特征。在该方法中，对手写汉字分别采用小波和分形的方法提取其结构特征和统计特征，并将提取的结构特征和统计特征组合后作为识别器的输入进行识别。实验表明，该方法对训练样本可以达到98．71％的识别率，对测试样本可以达到91.37％的识别率。     

基于神经网络的性别识别方法

针对目前性别识别方法中的人体第二性特征提取困难、识别率低、鲁棒性差等问题,提出了一种基于神经网络的性别识别方法,并得到了基于人脸图像的性别识别分类器。文中先将人脸图像进行高斯滤波,再将预处理后的图像归一化用于训练BP神经网络,以得到性别识别分类器,最后将分类器与传统的性别识别方法进行比较。实验结果表明,通过文中方法实现了人体第二性特征自动提取,提高了分类器的容错能力和识别率,增强了鲁棒性。     

噪声环境下的仔猪求食发声信号识别

动物声音识别技术发展迅速,将其应用在养殖产业是目前国内外研究热点.以养猪业为例,为了在农场集约化养殖中,能够根据仔猪意愿及时让哺乳器自动送料进行饲喂,节省人力,提升禽畜福利.提出了通过识别仔猪饥饿哼叫声音进而控制自动哺乳器送料的方法.对仔猪饥饿求食哼叫,以及两种背景噪声:抢食尖叫噪声、机械送料噪声进行采集.通过时域,功率谱密度(PSD)等分析了这三种声音特征.通过提取Mel倒谱系数(MFCC)并用矢量量化(VQ)进行分类识别.针对混有背景噪声的声音识别,提出了一种基于VQ-PSD的识别方法.通过实验表明,基于此方法能够有效地提高对混有背景噪声的仔猪饥饿求食声音的识别率,平均识别率提高了9.1％.此方法也可拓展到于其他动物声音识别应用中去.     

基于矩阵灰建模的单次P300检测新方法

针对少导联P300单次提取识别率较低的问题,提出了一种基于矩阵灰建模的参数模型法提取特征的方法,提高了P300单次识别率.首先对脑电信号进行预处理,然后选择导联组合,接着对每个Epoch进行建模,将模型参数作为特征向量输入SVM分类识别.结果表明,单次P300的平均识别率为91.43%,叠加平均3次正确率可高达97.87%.     

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.