从判断到识别的定性映射模型与模糊人工神经元

将基于属性量-质特征转化的性质命题判断抽象为一个以定性基准为参量的动态定性映射,给出定性基准分别为一个区间、区间向量和n维超平行体网格的定义,讨论加权w对定性基准的几何意义,定性映射和人工神经元的关系,以及(性质判断的)定性映射转化为(模式)识别映射的机制和条件.指出,加权w的实质是对定性基准中的n维超平行体实施一个旋转变换.因人工神经元可看作是对n维超平行体的一个面实施加权w内积旋转变换后的形式,故是(加权w内积变换)定性映射的一个特例.当定性基准中n维超平行体的所有边长都趋近于零时,以(近)零边长的n维超平行体为基准的定性映射转化为一个向量的判断或搜索映射,并可对任一可转化为一个向量的模式进行识别.此外,本文还提出了属性量-质转化程度函数的概念和一种导致定性基准边界模糊化的机制,指出,若用某个模糊化的转化程度函数代替定性映射进行判断和识别,则得到一种模糊判断和识别,并以一系列实例证实了定性映射和转化程度函数方法的实用性.     

基于定性映射的影视推荐系统的应用与研究

分析目前比较流行的两种推荐算法各自存在的优缺点,针对两种单一推荐算法各自的优缺点,提出一种基于定性映射的混合推荐算法模型,以拓扑邻域为定性基准进行邻近查找操作,通过转化程度函数对结果进行优化,提高推荐系统的推荐精度,并通过实验验证该混合算法的可行性和精确性。     

一种基于定性映射的自动组卷算法

给出基于定性映射的自动组卷算法的数学模型。首先根据转化程度函数确定初始参数．然后利用定性映射模型进行操作,并对初始结果进行优化,有效解决试题库中的自动组卷问题。     

定性映射诱导的模糊神经网络

属性量-质转化关系可归结为一个定性映射(Qualitative Mapping,QM),它诱导出一个等价关系E-R(QM),使得任一满足E-R(QM)的定性映射函数(QMF),都构成一个能对该量-质转化进行模糊评判的隶属度函数.其m维加权推广则是一个模糊神经网络,并给出了XOR和双螺旋问题的分类算法.     

定性映射模型与概率统计相结合的研究应用

该文介绍了定性映射模型[1-2]及其在实践应用中的良好效果和重要价值,并根据作者的个人领悟,讨论了此模型与概率论的联系,以二者的联系为基础,本文提出了一种将定性映射模型与概率论结合起来进行模式识别的方法。该文从定性映射模型推出可以用概率统计的方法进行模式识别,为模式识别的研究方法做了一次新的尝试。     

基于定性映射模型的概念层次树构建方法

对概念层次树进行简介,分析量-质转化的定性映射（Qualitative Mapping,QM）数学模型,通过对定性基准[αi,βi]的调整,实现概念提升,以构建概念层次树．该方法与人类的思维推理规则较为吻合．     

定性映射正交基空间下的模式识别技术

给出了定性映射模型的学习机制，然后提出了定性映射正交基空间的概念，在此正交基空间下诱导出了傅立叶变换，并解释了从数值计算到属性计算的内涵，提出定性映射正交基空间下的模式识别技术。最后给出了该方法的应用实例。     

基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。     

数据挖掘的定性映射模型及其在桥吊监测中的应用

属性量-质转化关系或规律，可归结为一个定性映射(Qualitative Mapping,QM)，它诱导出一个等价关系：E-R(QM)。在本文中，我们运用属性论中的定性映射方法来解决桥吊的状态监测问题。     

基于定性映射的粒逻辑及其Petri网推理算法

基于不确定性知识处理特点,在认知机理下,通过基于属性定量与定性之间的转化关系而建立的定性映射, 给出了属性粒的概念及其逻辑计算公式,并在此基础上构建了初步的粒逻辑系统,最后通过Petri网对其逻辑推理进 行形式化描述。结果表明其是有效的,使得有关认知识别与判断推理等思维操作能得到较好的表达。     

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分.对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别.首先利用颜色信息实现交通标识区域分割,随后记...     

基于属性论的无监督图像聚类

提出了应用属性论来实现无监督图像聚类的方法。首先提取图像的底层特征,再利用属性论方法中定性映射、转换程度函数理论对图像进行分类。由于一次聚类并未达到很好的效果,因此采取了多次聚类的策略。实验结果表明,本方法简单明了并且有效。     

Exploiting synergies of mobile mapping sensors and deep learning for traffic sign recognition systems

This paper presents an efficient two-stage traffic sign recognition system. First, 3D point cloud data is acquired by a LINX Mobile Mapper system and processed to automatically detect traffic signs based on their retro-reflective material. Then, classification is carried out over the point cloud projection on RGB images applying a Deep Neural Network which comprises convolutional and spatial transformer layers. This network is evaluated in three European traffic sign datasets. On the GTSRB, it outperforms previous state-of-the-art published works and achieves top-1 rank with an accuracy of 99.71%. Furthermore, a Spanish traffic sign recognition dataset is released.     

结合双流网络和金字塔映射的步态识别

目前,基于深度学习的步态识别方法虽然取得了一定的进展,但数据采集和步态外观的变化仍然是实现精确步态识别所面临的挑战。为了提高网络对时空步态信息的捕捉能力,提出了一种基于步态轮廓流和步态特征差分流的双流网络结构。步态轮廓流以步态轮廓图作为输入,用来提取步态序列中包含的空间步态信息;步态特征差分流则是以步态特征差分图作为输入,用来捕获相邻步态图之间的动态信息。同时,为了充分利用步态序列中的全局和局部信息,提出了多尺度金字塔映射（multi-scale pyramid mapping,MPM）模块,并插入到各单流网络中以增强网络对全局和局部步态信息的提取能力。所提方法在步态数据集CASIA-B和OU-MVLP上的平均识别精度分别达到了87.0%和85.5%,这表明双流网络架构和MPM模块可以有效地捕获步态序列中的时空步态信息。     

基于映射矩阵的网络流量分析预测模型

通过对用户行为分析,发现IP数据流具有平稳性、自相关性等特点,提出基于映射矩阵流量预测模型,并与线性模型AR、ARIMA和非线性基于反馈神经网络BP模型、Elman神经网络作对比,试验结果证明,映射矩阵模型,比现有模型具有预测精度高、收敛快等特点。     

基于多特征组合的交通标识识别

在分块核函数的基础上提出了基于多个图像特征进行组合决策的识别方法。该算法先对交通标识图像提取两个不同的特征,即HOG特征和基于子模式组合的分块核函数特征,然后针对不同特征构造相应的分类器,最后对这几个分类器的输出采用投票机制进行决策融合。在德国交通标识数据库上的实验结果表明,该方法相比单特征识别具有更高的识别准确率。     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。