基于拓扑特征和投影法的东巴象形文识别方法研究

东巴象形文是由云南丽江纳西族先民创造并使用的,被誉为"世界上唯一活着的象形文字"。在图形识别、内容释读以及形、音、义信息等方面,现有的英文、汉字等识别系统及翻译系统往往不能适用于东巴象形文字,提出一种先拓扑特征处理后投影法特征提取的分步骤信息处理方法,并采用模板匹配法进行文字识别。通过实验验证表明,基于象形文固有特征的提取,利用拓扑特征与投影法相结合的特征提取方法进行东巴象形文字识别,具有准确度更高的特点,是东巴象形文识别的一种有效方法。     

基于MFCC的语音情感特征提取研究

为了研究"世界记忆遗产"东巴经典古籍的音频分类,以通过语音情感特征提取的方法分类鉴别东巴音频类别,并实现对东巴经典语音的情感状态识别,同时提高人机交互性能,提出采用Mel频率倒谱系数(MFCC)实现语音情感特征的提取。通过引入MFCC的一阶差分、二阶差分描述语音特征的动态特征,并整合短时能量特征,最终形成MFCC和短时能量相叠加的语音信号特征参数,达到提取反映语音情感特征的目的。实验验证表明,该语音信号特征提取方法能够更明显地区分出包含在语音中的情感信息,为语音情感特征的识别研究及东巴古籍音频分类鉴别提供理论基础。     

基于新特征提取法和量子神经网络的手写数字识别

研究了一种将新特征提取方法（13维特征提取法）与量子神经网络相结合,来实现手写数字识别的方法。13维特征提取法是从每个字符中提取关键的13个特征值,而量子神经网络是将神经元与模糊理论相结合的模糊神经系统,能很好地减少模式识别的不确定度,提高模式识别的准确性。通过使用MNIST样本库仿真比较实验可知,该方法具有设计算法相对比较简单,且识别正确率较高的特点。     

基于NSCT和IA–AP聚类的直流电缆局放信号图特征提取

对直流交联聚乙烯(XLPE)电缆局放信号进行特征提取是故障诊断前的关键步骤。当特征提取在小波域进行时,存在提取的特征参数有限、识别准确率低的问题。因而提出了一种基于非下采样下轮廓波变换(NSCT)和免疫算法(IA)优化仿射传播(AP)聚类的直流XLPE电缆局放信号图特征提取方法。首先采用NSCT提取信号子带系数,并通过IA-AP聚类将全部系数进行分类,计算对应的信号熵和马氏距离等特征参数,最后通过不同的分解层数、聚类个数、训练样本对缺陷类型进行对比分析。实验结果表明:该方法能够应用于直流XLPE电缆局放信号的特征提取研究,相同分类器下,其识别率比小波变换法提高14%以上。该结论为直流XLPE电缆局放信号特征提取提供了新思路,有利于后续绝缘缺陷识别研究。     

基于二阶局部二值模式的图像纹理提取技术探讨

人脸特征提取,是人脸识别技术过程中必不可缺,也是非常关键的步骤之一,目前常见的方法有基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取等多种方法,T．Ojala等人提出了局部二值模式（LocalBinaryPattern,LBP）方法,利用它来进行图像的纹理特征提取。本文利用局部二值模式算子验证了二阶局部二值模式方法更有利于提高图像的识别效果,方法简单易行,计算量小,如能与其它的方法一起配合使用,则能大大提高图像的识别率。     

基于空间相量模型的三相电压暂降扰动特征提取与分类

对暂降扰动进行精准类型识别是电能质量评估和治理的前提。现有暂降特征提取多是对单一扰动数据进行识别分类,采用数学变换法进行特征提取时数据维数高且计算量大。针对这些问题,提出了一种基于三相电压空间相量模型的多级暂降扰动可视化特征提取及分类方法。首先,将三相电压时域波形数据转换为空间相量模型;其次,使用 K-mean算法,将电压降落扰动聚类成平面内可视化的圆或椭圆;最后,利用逻辑回归算法对每一个聚类的圆或椭圆进行特征提取与分类。应用所提方法分别进行了单一扰动和多级扰动识别的仿真实验,结果表明,所提方法能有效识别A、Ca、Cb、Cc、Da、Db和Dc等七类电压暂降扰动。该方法降低了数据维度,减少了模型计算量,避免了对动态过渡过程的检测,降低了错误识别的风险,为多级电压暂降扰动的识别与分类提供了一种有效的辅助手段。     

基于特征提取与识别两阶段的汽车电机轴承故障诊断

针对特征提取和故障识别这两个轴承故障诊断的关键环节,提出一种汽车电机轴承故障诊断新方法。该方法在特征提取环节:提出了将LCD分解和符号熵(SE)相结合的特征提取方法;在故障识别环节为提高果蝇算法(FOA)对相关向量机(RVM)参数的寻优能力,在FOA算法中增加了向"历史"学习的策略,提出具有历史学习能力的果蝇算法(HSAFOA),有效地提升了RVM的分类性能。汽车电机轴承不同类型、不同程度故障诊断实例表明,LCD符号熵可有效对故障进行表征,而HSAFOA算法则提升了RVM的识别效果,相比于其他一些方法更有优势。     

基于GLCM和LBP的局部放电灰度图像特征提取

针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。     

基于SVM的山体滑坡灾害图像识别方法

提出了一种将组合特征提取和SVM相结合的山体滑坡识别算法。首先进行图像大小统一和对比度增强的预处理;然后在纵向划分子区域的基础上,采用小波尺度共生矩阵对各子区域进行纹理特征提取、在HSI颜色空间中对各子区域进行颜色特征提取、在RGB颜色空间中进行分割特征提取;最后将组合特征送入分类器进行分类,对是否发生滑坡进行识别。实验表明,该方法研究解决的铁路线山体滑坡灾害图像识别技术,为实现铁路沿线环境自动识别奠定了基础。     

PCA和KICA特征提取的变压器故障诊断模型

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。     

特定辐射源个体识别算法研究

针对特定辐射源个体识别(specific emitter identification,SEI)方法,指纹特征提取需要复杂公式演算推理,特征差异小、提取困难,提取后特定辐射源个体识别正确率低的问题,提出一种基于密集连接结构与注意力机制的特定辐射源识别算法,称之为特定辐射源识别网络(specific emitter identification network,SEIN).首先使用包络提取算法提取含噪声较少的辐射源信号包络,得到含有丰富指纹特征的包络图,进而进行SEIN指纹特征的提取及个体识别.实验结果表明,SEIN可达到95.12％的分类识别效果,具有准确率高、指纹特征提取自动化特点,最终较好实现了复杂环境下特定辐射源个体识别.     

基于人脸比例特征提取与匹配的身份鉴别

针对人脸识别身份鉴别中的小样本问题,提出基于人脸比例特征提取与匹配的身份鉴别方法。首先基于图像灰度分布统计特征方差分析为阈值对图像进行二值化处理,然后基于主动形状模型算法实现人脸检测与特征点定位,构建脸型、鼻型、眼型共7项人脸比例特征并作为身份鉴别特征向量,最后利用基于层次分析法的相似度匹配模型实现身份鉴别。在Yale和MD图像集上的测试表明,所提方法适用于复杂背景下人脸面部特征的提取和身份鉴别应用。     

一种融合间接注意力的自适应特征提取方法

针对基于ViT模型的细粒度图像识别算法存在特征提取不全面、参数选取不具普适性等问题,提出一种融合间接注意力的自适应特征提取方法（Adaptive Feature Extraction with Indirect Attention,AFEIA）。首先,对于目标对象的特征提取,采用改进后的自然断点分类算法将特征分为最相关、次相关、不相关三种,对不同的输入样本可以自适应地提取最具辨别性特征,保证了特征提取的准确性;然后,利用注意力权重矩阵,获取被忽略特征中与目标对象间接相关的特征,以获取各对象之间细微的差异,保证了特征提取的全面性。实验表明,使用AFEIA方法的ViT模型在两个细粒度数据集CUB-200-2011、Stanford Dogs上分别达到91.6%、91.5%的预测准确率,通过可视化方法和消融实验,验证了AFEIA方法的有效性。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于云端协同的家用电器负荷辨识能力提升技术研究

居民家用电器类型丰富,具有相似特征量的电器种类往往很多,给非介入辨识带来电器类型不确定、辨识准确度有待提升等问题,所以提出了一种基于多类型特征交互的云端协同的负荷辨识方法.首先端侧基于高频采样进行特征提取及负荷辨识,基于CUSUM事件检测方法提高检测过程中小偏移事件的检测灵敏度,应用轻量级邻近辨识方法进行基本电器辨识并...     

一种基于图像特征点的图像匹配算法

图像匹配技术被广泛用于人脸识别、全景图像生成等领域.该文利用变比不变特征点 (Scale Invariance Feature Transform-SIFT)提取方法提取特征点,并对SIFT方法提取出的特征点用最近邻算法 (Nearest Neighbor-NN)进行匹配,在搜索最近邻特征点和次近邻特征点时使用了在K-D树搜索算法基础上进行改进的搜索算法BBF(Best Bin First)算法.实验证明该匹配算法具有匹配精度高,鲁棒性好的特点.