水下目标特征提取方法研究

有效的特征提取技术是水雷目标识别的基础。文章采用了两种前期研究中较为有效的水雷目标特征提取方法(频域离散小波变换法和常数Q滤波子带能量法),并引入了一种应用在水下目标识别领域中的特征提取方法(波形结构法)。应用此三种特征提取方法提取的特征来识别实雷目标以及假目标,分类器采用三层BP算法的前向神经网络,给出了具体的识别率,说明该特征提取算法是有效的,用波形结构法进行水雷目标的特征提取是可行的。     

信息融合的飞机识别方法

以信息融合的理论为基础，利用从可见光图像序列和8-12μm长波红外图像序列中提取的信息对不同种类飞机进行识别。采用矩特征并结合BP神经网络的方法，分别在特征级和决策级两个不同层次上实现了信息融合。实验结果表明，通过信息融合进行飞机识别的准确率可达到90％以上。     

卡尔曼滤波在水雷引信目标定位中的应用

介绍了用于水雷引信的目标跟踪定位卡洋曼滤波算法,推导了滤波公式,给出了仿真结果,经分析得知,利用该算法可有效提高目标运动要素估计精度。     

信息论在声呐自动目标识别中的应用

声呐自动目标识别（ATR）旨在自动地从背景或杂波中分离出感兴趣目标，一个声呐自动目标识别系统的可行与否取决于它的目标探测性能和识别分类系统的运算效率及训练效率。文章综述了当今信息论在声呐ATR中应用中的理论基础及其可行性分析，最后给出了信息论在声呐ATR特征提取中的应用举例。     

模糊动态AHP导弹识别算法

针对导弹预警卫星系统中的真假弹头识别问题,提出了一种在决策系统中对弹头目标识别的新算法,该算法提出用弹头的温度变化率、热容差异、辐射强度、灰度特性、红外运动特性等红外特征作为弹头目标识别特征量,运用多属性决策中的AHP方法进行信息融合,并对属性重要性判断矩阵采用模糊动态法进行构建,有效地解决了属性权重随时间变化的问题.最后根据融合结果排序,识别真弹头.通过仿真实验证明了该算法的有效性.     

混凝土结构缺陷的融合识别研究

混凝土结构缺陷的无损检测是一项非常困难的工作,尤其是小尺寸或浅层的缺陷检测非常困难,由于仅用一种检测方法往往难以给出令人信服的结论,因此,本文同时采用超声检测和脉冲回波检测两种方法对不同大小的剥离和空洞缺陷进行了探测,并用小波分析方法对这两种信号进行了特征抽取,以第三阶尺度上的极大模作为信号的特征微量;随后,用一个多层前馈神经网络进行了单种检测方法的软决策,定义并计算了以该软决策为基础的概率分配函数;最后,用证据理论方法进行了两种检测方法的决策级融合识别,分类试验结果表明融合识别确实好于单一方法的识别。     

基于多分类器的通信信号调制方式识别

为在恶劣接收条件下识别通信信号的调制样式,并实现识别范围的快速调整,运用决策层信息融合技术提出了一种基于多分类器的调制样式识别方法。它采用了常规特征以及三种可以快速建立的子分类器。其中“超盒”分类器用于界定各调制样式不同特征的取值范围。最近邻分类器用于分类,马氏距离分类器用于提高识别结果的可靠程度,该方法可以自动地在短时间内根据设定的识别范围建立对应的识别器,对另类调制样式或噪声有高的拒识能力。     

基于多传感器信息融合的结构损伤识别研究

针对结构健康监测系统中的传感器数量多、数据信息复杂的特点，从模式识别和局部控制、全局参与的思想出发，提出了多传感器信息融合方法对结构损伤进行识别。首先应用小波包变换对结构振动测试数据进行特征提取，通过不同传感器特征向量的合成完成数据层融合；然后建立三个耦合神经网络分别实现结构损伤的确认、定位及定量，并完成决策层的信息融合；最后进行了36个损伤工况的结构模型实验研究，验证了所提出的方法是可行的和有效的。从实验验证的结果来看，对损伤率在7．5％以上的结构，损伤识别精度较高；对于损伤确认和损伤定位，识别精度较高，而对于损伤程度识别有一定偏差。     

窄间隙P-GMAW多信息融合侧壁熔合状态识别研究

窄间隙焊缝坡口间距小且焊道较深,摆动中心与焊缝中心偏差较大时,坡口两侧侧壁受热不良,易发生未熔合缺陷。为了及时了解窄间隙侧壁熔合情况,掌握侧壁内部焊接质量,本文提出了一种基于BP神经网络和D-S证据理论的多信息融合方法,预测侧壁熔合状态。对窄间隙焊接未熔合缺陷产生机制进行了分析,研究发现焊接电弧信号和熔池变化与侧壁成形质量存在密切关系,为此进行了一系列偏差实验,建立了电弧电信号和电弧熔池图像信号的实时采集系统,采用批量特征提取算法,提取了与侧壁熔合状态密切关联的峰值电流、峰值电压、电弧弧长、熔池长宽比、熔池面积和熔池周长等特征参量。采用BP算法训练神经网络,在此基础上通过D-S证据理论进行决策级融合。实验结果表明,该模型识别率可达96.667%,避免了神经网络识别时的误诊,获得了比单一传感信息更好的预测结果,提高了熔合状态识别的准确度和可靠度。     

基于数据融合的红外目标识别

为了获得良好的红外目标识别性能,综合应用了图像处理、模式识别和数据融合领域内的新技术.采用了神经网络和证据理论集成的数据融合方法进行目标识别的数据融合.根据LVQ神经网络在目标识别领域内应用特点,构造了基于证据理论的基本概率赋值函数.对此目标识别技术进行了测试,结果表明,采用此技术后的识别的可信度得到了较大提高.     

基于特征融合进行活动识别的DCNN 5法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络（ CNN）不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用ImageNet16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络（ DCNN ）中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0％提高到87.4％。     

Food recognition using neural network classifier and multiple hypotheses image segmentation

ABSTRACT

This paper proposes the multiple-hypotheses image segmentation and feed-forward neural network classifier for food recognition to improve the performance. Initially, the food or meal image is given as input. Then, the segmentation is applied to identify the regions, where a particular food item is located using salient region detection, multi-scale segmentation, and fast rejection. Then, the features of every food item are extracted by the global feature and local feature extraction. After the features are obtained, the classification is performed for each segmented region using a feed-forward neural network model. Finally, the calorie value is computed with the aid of (i) food volume and (ii) calorie and nutrition measure based on mass value. The experimental results and performance evaluation are validated. The outcome of the proposed method attains 0.947 for Macro Average Accuracy (MAA) and 0.959 for Standard Accuracy (SA), which provides better classification performance.     

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。     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。