一种基于融合特征的机器人手腕小齿识别方法研究

随着智能制造系统应用的不断广泛,工业机器人 的需求急剧增加,现有的机器人零 部件产线无法智能判断零件是否合格,导致机器人零部件的测试工序繁杂、合格率不高。针 对上述问题,该文提出一种基于融合特征的机器人手腕小齿识别方法,可以有效识别判断机 器人手腕小齿的轮廓和纹理合格与否。该方法先对机器人手腕小齿进行Zernike矩特征和HOG 特征提取,将高维特征降维后,再通过BP神经网络分类器对目标融合特征进行训练识别。实 验结果表明:基于融合特征的机器人手腕小齿识别特性优于传统单一特征,有更好的识别效 果和鲁棒性。     

基于1（1/2）维谱与K-L变换的被动声纳目标识别

采用基于1（1/2）维谱分析与K-L变换相结合的特征提取方法,获取被动声纳噪声信号的有效识别信息,对被动声纳的目标信号进行分类。首先对被动声纳噪声进行1（1/2）维谱子带能量的特征提取,然后运用K-L变换实现高维特征向量的降维,剔除冗余特征,并以BP神经网络作为分类器对三类目标进行识别与分类。计算机仿真结果表明,该方法具有较好的分类效果和稳健性。     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。     

基于光斑图像特征的飞秒激光烧蚀功率分类模型研究

针对光晕导致的光斑图像边缘模糊的特点,采用Niblack局部阈值分割得到光斑目标区域,并提取光斑的几何特征;以Niblack分割得到的图像边缘对原始光斑图像进行裁剪,得到去除光晕影响的光斑目标灰度图像,在此基础上提取该区域光斑图像亮度,结合光斑几何特征构造6维特征矩阵。分别采用BP神经网络、线性局部切空间排列LLTSA-BP网络、局部保持投影LPP-BP模型对烧蚀功率进行识别;进一步采用极限学习机(ELM-Extreme Learning Machine)、LLTSA-ELM和LPP-ELM降维模型,基于降维后的特征矩阵进行烧蚀功率分类。对比研究发现BP神经网络在对6维特征矩阵分类时收敛时间比ELM分类模型短,所需隐含层神经元个数少。而流形学习-ELM模型则在对降维之后的数据分类时表现较优,所需时间远远小于BP神经网络模型的处理时间,其中LPP-ELM模型对光斑的分类效果最优。     

基于中心矩特征和GA-BP神经网络的雷达目标识别

在雷达目标识别中,利用核主分量分析（KPCA）方法来进行目标特征提取,忽略了高分辨率距离像（HRRP）的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法（GA）对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。     

基于PCA和BP神经网络的步态识别系统研究

步态识别是生物特征识别技术中的一个新兴领域,它根据人们走路的个体特点进行身份识别,具有非侵犯性、难以隐藏、对系统分辨率要求低、远距离识别等优点,已成为基于视觉的人体运动分析的研究热点。该文提出了基于主成分分析(PCA)的特征提取方法,有效地对高维步态轮廓特征进行降维,再利用BP神经网络进行特征分类识别。实验结果表明,算法达到了较高的识别率。     

基于仿射梯度方向直方图特征的目标识别算法

针对基于传统梯度方向直方图特征的目标识别算法(HOG+SVM)在目标发生仿射变化时识别效果较差的问题,该文提出一种基于仿射梯度方向直方图特征的目标识别算法(AHOG+SVM).通过提取多尺度金字塔梯度图像的 HOG 特征,提高了算法的尺度不变性;通过将平面 HOG 栅格拓展至3维 HOG 栅格,并根据目标的世界坐标系与图像坐标系的映射关系将3维 HOG 栅格映射为2维 HOG 仿射栅格,最后对仿射栅格内的 HOG 特征进行仿射逆变换,以达到增强算法旋转不变性与错切不变性的目的.多组实验结果表明,该文提出的算法能够解决在目标识别过程中由尺度变化、旋转变化和错切变化(3D 视角变化)所造成的识别率较低的问题,性能优于 HOG+SVM算法.     

基于Autoencoder网络的数据降维和重构

在机器学习,模式识别以及数据挖掘等诸多研究领域中,往往会面临着维数灾难问题。因此,特征数据的降维方法,即将高维的特征数据如何进行简化投射到低维空间中再进行处理,成为当前数据驱动的计算方法研究热点之一。该文引入一种特殊的非线性降维方法,称为自编码(Autoencoder)神经网络,该方法采用CRBM(Continuous Restricted Boltzmann Machine)的网络结构,通过训练具有多个中间层的双向深层神经网络将高维数据转换成低维嵌套并继而重构高维数据。特别地,自编码网络提供了高维数据空间和低维嵌套结构的双向映射,有效解决了大多数非线性降维方法所不具备的逆向映射问题。将Autoencoder用于人工数据和真实图像数据的实验表明,Autoencoder不仅能发现嵌入在高维数据中的非线性低维结构,也能有效地从低维结构中恢复原始高维数据。     

基于特征车的汽车车型识别

车型识别是智能交通系统中的一个重要组成部分，近年来，车型识别技术已成为国内外研究热点之一。提出了一种基于特征车的车型识别方法。该方法首先对车辆图像进行预处理，然后通过K—L变换构造特征车，得到降维特征子空间，最后利用BP神经网络进行车型识别。     

一种基于蚁群算法与粗糙集的混合BP神经网络

为了解决BP神经网络对高维冗余样本分类时收敛速度慢、易陷入局部极小值问题,提出基于蚁群算法与粗糙集的混合BP神经网络分类模型.该混合BP神经网络用粗糙集对样本进行约简和降维,输入层神经元个数得到减少,降低了训练神经网络的计算复杂度,用蚁群算法解决了选取神经网络权值和阈值的随机性,避免了因其而导致的易陷入局部极小值的不足.对UCI数据库中数据集的测试结果说明,提出的混合BP神经网络对高维冗余复杂样本进行分类是可行的,性能远远比传统BP神经网络和蚁群神经网络优越.     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

基于VMD和BP神经网络的轨道病害诊断方法

针对从非线性、非稳态的轨枕振动信号中提取病害特征困难的问题,文中提出一种基于变分模态分解和多尺度排列熵的轨道病害特征提取方法,并采用BP神经网络病害诊断模型进行病害识别.利用变分模态分解方法将采集到的振动加速度信号进行分解,得到若干个本征模态分量.计算这些本征模态分量的多尺度排列熵值,将其作为轨道病害的高维特征向量,以...     

基于PSO-BP神经网络的DOA估计方法

提出利用粒子群算法优化BP神经网络来改善来波到达角估计性能的方法。传统的BP神经网络 易 陷入局部最优,因此采用粒子群算法对网络的权值和阈值进行优化,并将其应用到来波到达 角估计中。所提方法仅利用阵列协方差矩阵的第一行作为来波方位特征,与常用的 协方差矩阵 上三角特征相比,在不损失有效方位信息的基础上使特征维数极大降低。仿真实验 证明：同经典的RBF神经网络方法相比,基于所提方法的神经网络结构更简洁,泛化性能更 好,来波方位估计精度更高。     

加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

基于Gabor小波和神经网的人脸检测

论文提出了一种基于Gabor滤波特征和的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并送入神经网路进行训练。实验结果证明该方法行是十分有效的。     

Classification of farmland images based on color features

Farmland images recognition and classification are of great significance in farmland environmental perception. Since the open and unstructured farmland environment has complex scenes, and is easily affected by various factors, furthermore, environmental information is uncertain and hard to predict. Based on hue saturation value (HSV), hue saturation lightness (HSL) and hue saturation intensity (HSI) color space models, taking use of image analysis and classification technology, this paper realizes the classification of farmland images in different environments. On the basis of color space, eight color features of the images are extracted. First, we conducted non equal interval quantification and drew the color feature curves, after that, we selected five eigenvectors which can correctly classify the images. Then, principal component analysis (PCA) was used for dimension reduction. Finally, radial basis function (RBF) neural network was joined for the extraction of images in the same scenes and different ones. The performance of the use of multiple color spaces combining with PCA and RBF shows that the average recognition rates of sunny days and cloudy days in the same scenes and different scenes are 100%, 87.36% and 84.58%, 68.11% respectively. Therefore, this method has higher recognition rate than BP neural network.     

基于特征融合的可见光与红外图像目标检测

为提升目标检测任务在复杂环境下的识别效果,提出了一种基于特征融合的红外与可见光目标检测方法。该方法首先采用并列的卷积神经网络分别提取红外和可见光特征信息,并利用通道和空间注意力机制提升有效特征的权重;其次,为充分利用红外和可见光特征进行信息互补,设计了特征自适应融合结构,以自主学习方式将红外与可见光特征以最优方式加权融合;最后,针对不同尺度目标,通过交替采样方式充分融合深层和浅层特征,保障各维度目标检测效果。通过实验表明,所提方法可以充分利用并融合不同模式、尺度的目标特征信息,实现目标准确识别及定位。同时,在实际电网设备检测中,该方法也体现出较优的鲁棒性和泛化性。