基于手背静脉虹膜和指纹融合身份识别算法

针对单模态生物特征识别的局限性,提出融合手背静脉、虹膜和指纹三种生物特征实现身份识别.首先分别对手背静脉图像、虹膜图像和指纹图像进行独立的图像预处理,特征提取和特征匹配,输出各自的匹配分数.分析匹配分数归一化对识别性能的影响,采用Tarh归一化方法对三种生物特征的匹配分数进行归一化处理,最后利用加权求和法则实现匹配分数的融合,利用最小距离分类器实现身份识别.实验结果表明,融合识别算法的等错率为0.009%,当错误接受率接近0时,对应的错误拒绝率仅为0.2%.     

基于kNN-SVM的手背静脉虹膜和指纹融合身份识别

针对识别模式下多生物特征融合识别系统的实现问题,本文基于手背静脉、虹膜和指纹三种生物特征研究了高效的融合识别算法。分别对三种生物特征进行特征提取与匹配,得到独立的匹配分数,基于k近邻(k Nearest Neighbor,kNN)分类器实现手背静脉特征识别,将用户身份范围缩小到k个,实现个人身份的初步识别,利用支持向量机(Support Vector Machine,SVM)算法实现k个样本范围内虹膜和指纹的融合识别,实现最终的个人身份识别。利用构建的三模态生物特征图像数据库进行了实验分析,实验结果表明该系统具有较高的识别性能,具有广阔的     

超声检测信号多特征SVM-Bayes融合识别

分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明：SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。     

基于PLBP的手背静脉识别

本文提出了一种基于PLBP的手背静脉识别算法。手背图片的获取采用的是低成本的红外成像设备。经过处理,图片被分为若干子图像。通过提取每一幅子图像的统一模式特征,构成了整幅图像的纹理特征向量。通过计算目标图像和测试图像的距离来表达两幅图片之间的相似度。本文所进行的实验是在通过定制的图像采集设备所采集的102个受测者的2040（每人20幅）幅图片上进行。实验结果表明,该方法优于其他的方法。     

基于边缘识别的虹膜定位算法

为了提高虹膜定位算法的抗干扰能力,本文提出了一种基于虹膜边缘识别的虹膜定位算法.该算法应用图像几何矩函数提取虹膜内外边缘的特征,通过由支持向量机(SVM)训练的分类器进行虹膜边缘点的识别.最后由Hough变换对识别的结果进行参数求解并实现虹膜的定位.本算法经过了CASIA虹膜图形库的实验验证,仿真实验数据表明所提算法不仅具有较快的定位速度和较高的定位成功率,而且性能稳定.     

多特征模糊推理的虹膜识别算法

为了更加完备地描述虹膜的纹理特征,利用虹膜图像灰度信息提取局部特征点、局部纹理方向和局部纹理的亮暗变化三种特征共同构成纹理的特征空间,克服了之前的多数虹膜识别算法提取单一特征易受干扰影响的局限性.然后,通过设计的模糊推理规则进行模式的分类,这种分段线性分类器的设计提高了算法线性分类的能力.分别在两个图库上进行了实验,识别率分别达到99.41%和99.67%,实验数据表明:结合多种特征能较好的反映虹膜的纹理变化特征,提高了虹膜识别的正确率,使算法具有非常优越的识别性能.     

基于多特征提取和SVM参数优化的车型识别

提出了一种基于多特征提取和支持向量机(support vector machines,SVM)参数优化的车型识别方法,此方法解决了采用单一特征容易受到光照、天气、阴影等环境影响的问题,并且可以对运动中的车辆进行车型识别。首先,采集车辆样本并进行图像预处理,提取车辆的几何特征、纹理特征和方向梯度直方图(histogram of oriented gradient,HOG)特征;其次,将提取的多种特征量进行组合测试,并与单个特征量的测试结果进行比较;最后,采用粒子群算法优化SVM 的参数并使用优化的SVM参数进行运动车辆的车型识别。实验结果表明:提出的多特征提取和SVM参数优化相结合的车型识别方法能够取得很好的识别效果,识别率达到90%以上。     

基于生物特征的身份识别技术

随着信息技术的蓬勃发展及其在社会各个方面的广泛应用，其安全问题显得愈来愈重要，因此必须研究相应的安全技术，开发可靠而实用的身份识别方法，精确辨别有效的和无效的准入操作，确保法定的IT用户的利益不受到各种信息侵犯者的危害。本文总结了一些新的身份识别技术的发展概况，尤其是一些基于生物特征的精密识别系统，如：基于手印、视虹膜图像等的识别系统，其基本原理、特性以及与传统密码口令识别方法相比的优越性。     

基于多通道Gabor滤波和特征融合的虹膜识别方法

多通道Gabor滤波器提取的虹膜特征具有冗余信息并存在部分非有效特征,针对此问题提出了改进方法。对同尺度不同方向的Gabor特征,利用幅值信息进行融合,对融合后特征进行相位编码,并运用海明距离匹配。这样,既保证了高识别性能,又将虹膜特征码压缩为传统方法的1／2,可提高匹配速度,并节约存储空间。还提出一种虹膜图像质量评价方法,可有效鉴别不适于识别的低质量虹膜图像。在CASIA和UBIRIS虹膜库的实验结果表明该方法是有效的。     

基于Gabor和LIOP特征的多视角目标识别

针对被检测目标在视角变化和遮挡时较难识别的问题,提出联合利用Gabor特征和视角变换时共有的LIOP特征对目标进行多角度识别的新算法。首先,用4个方向、16个尺度的二维Gabor滤波器组对输入图像进行滤波,得到64组含有方向信息的Gabor特征响应图,进而对相邻尺度和相应位置计算局部响应最大值,得到具有尺度及平移不变的特征向量。其次,通过几何变换算法获得不同视角下的LIOP特征向量。然后,为了降低时间复杂度,通过主成分分析算法对联合特征降维。最后,把降维后的特征向量输入支持向量机(SVM)进行训练学习,得到检测器模型。为了定量评估算法精度和鲁棒性,在Caltech-101和UIUC car两个标准数据库进行测试,实验结果表明,本文在两个标准数据集上的平均识别率分别达到了92.1%和95.4%,能较好检测不同尺度、不同角度的目标。     

基于自适应EIH模型的激波脉冲识别

就超音速飞行体产生的激波脉冲识别展开研究,分析了目标信号的脉冲特性和基于EIH(Ensemble Interval Histogram)模型的波形特征提取方法.分析了EIH模型在波形结构特征提取的过程中存在的问题,提出了一种自适应EIH模型.以外场试验获取了超音速目标的激波信号和干扰源的脉冲信号,设计了支持向量机分类器,仿真了所提出模型的有效性.     

基于交叉验证SVM的网络入侵检测

针对传统入侵检测系统漏报率和误报率高的问题,将支持向量机(SVM)应用于入侵检测中,提出了在SVM学习过程中引入交叉验证的方法,采用径向基函数(RBF)作为核,将训练集分成若干子集,每一子集使用其它子集训练得到的分类器进行测试,获得RBF的两个最佳参数后,将其应用于最终的分类器.实验结果表明,该方法能够有效检测入侵攻击,具有更高的检测率和更强的泛化能力,同时具有较低的误报率和漏报率,可以有效地运用于入侵检测系统中.     

基于SEM图像的低维纳米材料自动分类方法

针对传统方法在低维纳米材料形貌检测和分类鉴别方面的不足,提出了一种基于扫描电子显微镜（SEM）图像的低维纳米材料自动分类方法．以纳米材料的SEM图像为基础,利用小波包分解技术对材料表面纹理特征进行提取,通过将纹理特征与支持向量机（SVM）相结合,实现了纳米材料的自动分类．该方法具有检测速度快、精度高、无损耗等诸多优点,可用于纳米材料大规模生产中的自动检测．对16种不同类别材料的SEM图像仿真结果表明,该方法的分类精度能够达到93．75％,证明了其在实际工程中的有效性．     

基于双隶属模糊支持向量机的中小企业信用评价

构建了中小企业信用评价的双隶属模糊支持向量机模型(DFSVM),使每个训练样本依双隶属度同时隶属于两个信用类别,并通过粗糙集的属性约简方法确定支持向量机的最优输入指标组合。考虑到银行对于信用风险的厌恶,在模型的训练阶段对样本进行了"非对称"处理。实证结果表明,与传统的判别分析方法相比,建立的企业信用判别模型精度更高,调整后的模型可以进一步降低银行的信用风险。     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于特征融合与降维的印刷套准识别方法

目的针对单一方面特征难以准确表达印刷标志套准状态的问题,研究印刷标志图像多维特征提取、融合和降维的印刷套准识别方法。方法提取印刷标志图像的灰度共生矩阵、Tamura纹理特征、灰度差分统计特征和灰度梯度共生矩阵表达其纹理,并采用主成分分析法对融合后的多维特征进行降维处理,得到主特征。将印刷标志图像的主特征数据分成训练集和测试集。支持向量机模型通过对训练集的学习确定模型参数,然后在测试集上验证模型的性能。结果文中建议方法在测试集上的识别准确率为99%,训练集对支持向量机模型的训练时间为1.9327 s,模型在测试集上的识别时间为0.0307 s,模型的总体时间(训练时间和识别时间之和)为1.9634s。结论文中建议方法优于采用单一方面特征的识别准确率;同时在不影响识别准确率的情况下,优于未PCA降维方法的模型训练时间、识别时间和总体时间。     

基于信息融合方法的切削颤振状态识别技术

讨论了切削颤振状态识别的信息融合方法．分别给出了基于基本概率分配函数和基于证据区间值的颤振状态识别方法。试验中，在同一个测量区内使用了功率传感器和加速度传感器，利用Dempster—Shafer证据论方法对两种传感器信息进行了分析融合。试验与理论分析表明：经过信息融合得到的基本概率分配函数可以作为一种颤振状态识别参数。如果同时考虑证据区间P1(A)-Bel(A)值进行识别会减小识别的不确定性．提高颤振状态识别的精度。     

基于SVM的船舶上层建筑舱室噪声预报方法

摘 要：为对舰船舱室噪声进行精确预测,提出了基于SVM（支持向量机）的舱室噪声预测方法。采用RBF核函数和ERBF核函数,以某集装箱船上层建筑舱室噪声为训练样本,建立了两种集装箱船上层建筑舱室噪声的非线性回归模型;并应用两种模型对母型船及另一艘集装箱船上层建筑舱室噪声进行预测,并将预测结果进行了比较分析;在此基础上,应用效果较好的模型对一艘散装货船上层建筑舱室噪声进行预测。预测结果表明：应用SVM非线性回归模型对船舶上层建筑舱室噪声的预测是可行的,预测效果较为理想。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...