基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。     

复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神...     

基于小波包能量熵的鱼类识别研究

提出了一种基于小波包能量熵作为鱼体回波声信号的识别特征量,用以实现不同种类鱼体的分类识别。通过在消声水池中完成鲫鱼、草鱼和鲳鱼三种不同种鱼体的回波声数据提取采集实验,进行了数据预处理,并利用小波包能量熵算法计算鱼体回波声信号的识别特征量,再分别通过BP神经网络和支持向量机两种分类器进行了分类,分类识别效果较好,识别率分别达到了76.1%和82.2%。验证了小波包能量熵对于鱼体回波声信号识别的有效性。     

基于神经网络的电子卷宗自动分类方法研究

针对电子卷宗文档图像的自动化识别分类对上下文的逻辑结构考虑不充分的问题,提出一种基于神经网络的电子卷宗识别方法.首先,输入电子卷宗图像;然后,利用卷积神经网络识别图像的静态特征;第三,根据电子卷宗的关键要素及上下文关系,将这些静态特征按特定的版面结构转换为时序信号;第四,利用循环神经网络对时序信号进行处理,识别电子卷宗...     

基于小波概率神经网络的彩色纹理识别

提出了一种将颜色信息融入到纹理识别中的新方法--基于小波概率神经网络的彩色纹理识别.首先将RGB彩色纹理图像转化为HSV彩色模型,用小波变换(WT)进行树形结构小波分解提取彩色纹理的特征,然后使用概率神经网络对测试样本进行分类识别.实验结果证明,该方法的识别效果比较好.     

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile, HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。     

声发射信号分类研究

声发射信号具有时变的特征,对声发射信号进行短时分析技术,并采用快速傅里叶变换后提取信号的有效特征,进而采用fisher准则对信号特征数量进行压缩,最后采用神经网络技术对信号进行分类,分类结果表明这种方法对声发射信号特别有效.     

基于矢量传感器和LMBP神经网络的水声目标识别

提出了声矢量信号互双谱估计算法.对矢量传感器实测的湖上和海上试验数据,利用二阶和高阶统计量特征提取方法,分别提取了声压和声矢量信号组合特征,并用不同组合特征构造了LMBP神经网络的输入向量集,对舰船目标进行了分类识别.结果表明,基于声矢量信号的组合特征具有较强的类别可分性,用于水声目标识别,其识别率比声压信号高出约12.12%.     

基于神经网络的5G信号调制方式识别

针对5G信号调制识别在非协作通信环境下对先验信息要求高,依靠人工提取特征复杂等问题。提出了基于BP人工神经网络、ELM神经网络和Kohonen神经网络对常用5G调制信号进行分类识别。首先,选择小波变换特征提取方式对π/2-BPSK、QPSK、16QAM、64QAM、256QAM 5种常用5G调制信号提取有利于识别的特征;然后,在具有噪声条件下,利用训练数据样本构建识别分类模型;最后,通过测试数据样本测试识别模型的性能。实验结果表明,在不同信噪比情况下,采用BP人工神经网络和Kohonen神经网络识别率比较低。而ELM神经网络占优势,平均识别率可达93.6%。     

基于深度学习的认知无线电调制参数估计

自动调制分类是电磁空间感知的一个关键问题，目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此，提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性，通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像，同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域，在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取，将提取的特征融合后用作神经网络分类器的输入，以实现对多种类型信号的自动调制分类。实验结果表明，使用Swin-Transformer网络模型对转换后的图像进行分类，在信噪比大于4 dB的情况下，调制方法的识别率超过90%。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

Signal classification through multifractal analysis and complex domain neural networks

This paper describes a system capable of classifying stochastic self-affine nonstationary signals produced by nonlinear systems. The classification and the analysis of these signals are important because these are generated by many real-world processes. The first stage of the signal classification process entails the transformation of the signal into the multifractal dimension domain, through the computation of the variance fractal dimension trajectory (VFDT). Features can then be extracted from the VFDT using a Kohonen self-organizing feature map. The second stage involves the use of a complex domain neural network and a probabilistic neural network to determine the class of a signal based on these extracted features. The results of this paper show that these techniques can be successful in creating a classification system which can obtain correct classification rates of about 87% when performing classification of such signals without knowing the number of classes.     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

一种使用边缘增强技术提高相似图片检索召回率的方法

针对大规模图像分类处理中图像旋转或背景变换导致的配准度较低问题,提出一种基于边缘增强的卷积神经网络图像分类方法。该方法通过VGG19网络模型提取图像特征,并使用余弦相似度进行图像分类判定,利用边缘增强突出图像主体的边缘特征,降低图像旋转或背景变换对VGG19网络分类性能带来的影响。实验证明,该方法可以有效地提高同一主体旋转图像和背景变换图像与原始图像的相似度,适用于各类图像的分类。     

Multiclass support vector machines for EEG-signals classification.

In this paper, we proposed the multiclass support vector machine (SVM) with the error-correcting output codes for the multiclass electroencephalogram (EEG) signals classification problem. The probabilistic neural network (PNN) and multilayer perceptron neural network were also tested and benchmarked for their performance on the classification of the EEG signals. Decision making was performed in two stages: feature extraction by computing the wavelet coefficients and the Lyapunov exponents and classification using the classifiers trained on the extracted features. The purpose was to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. Our research demonstrated that the wavelet coefficients and the Lyapunov exponents are the features which well represent the EEG signals and the multiclass SVM and PNN trained on these features achieved high classification accuracies.     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

BP-ANN在光学相干层析图像分类中的应用

为了研究反向传播人工神经网络(BP-ANN,back-propagation artificial neural network)对光学相干层析(OCT)图像的分类能力以及用不同算法训练的网络之间的性能差异,设计了基于纹理特征分析的BP-ANN图像分类实验系统。针对不同图像集,系统可根据类内和类间分散度的比值自适应地筛选最具区分性的纹理特征组成特征向量,再利用以不同算法训练的BP-ANN进行分类。实验表明,BP-ANN在经过快速训练后可以有效分辨不同组织图像,而Levenberg-Mar-quardt(LM)算法则被认为是最为有效的训练算法。以LM算法训练的BP-ANN可以在1 s内以平均8次的迭代计算完成训练,对测试集的分类准确率可以达到93.0%。     

Automatic target recognition using a feature-decomposition anddata-decomposition modular neural network

A modular neural network classifier has been applied to the problem of automatic target recognition using forward-looking infrared (FLIR) imagery. The classifier consists of several independently trained neural networks. Each neural network makes a decision based on local features extracted from a specific portion of a target image. The classification decisions of the individual networks are combined to determine the final classification. Experiments show that decomposition of the input features results in performance superior to a fully connected network in terms of both network complexity and probability of classification. Performance of the classifier is further improved by the use of multiresolution features and by the introduction of a higher level neural network on the top of the individual networks, a method known as stacked generalization. In addition to feature decomposition, we implemented a data-decomposition classifier network and demonstrated improved performance. Experimental results are reported on a large set of real FLIR images.     

基于GAN和CNN-ELM的监控图像智能修复及检测方法

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题,提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法.首先,使用深度学习网络作为 目标检测框架,利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原,得到清晰完整的作业图像;其次,利用CNN自适应学习图像特征的能力,对修复后的图像进行自主特征提取;最后,将提取的图像特征输入ELM分类器中进行目标识别与分类,判断作业过程是否存在违规行为.试验结果表明:所提方法图像修复速度快,视觉效果自然,且目标识别准确率高,具有很好的泛化能力.     

Detection of landmines and underground utilities from acoustic and GPR images with a cepstral approach

This paper introduces a cepstral approach for the automatic detection of landmines and underground utilities from acoustic and ground penetrating radar (GPR) images. This approach is based on treating the problem as a pattern recognition problem. Cepstral features are extracted from a group of images, which are transformed first to 1-D signals by lexicographic ordering. Mel-frequency cepstral coefficients (MFCCs) and polynomial shape coefficients are extracted from these 1-D signals to form a database of features, which can be used to train a neural network with these features. The target detection can be performed by extracting features from any new image with the same method used in the training phase. These features are tested with the neural network to decide whether a target exists or not. The different domains are tested and compared for efficient feature extraction from the lexicographically ordered 1-D signals. Experimental results show the success of the proposed cepstral approach for landmine detection from both acoustic and GPR images at low as well as high signal to noise ratios (SNRs). Results also show that the discrete cosine transform (DCT) is the most appropriate domain for feature extraction.