基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.     

声谱图在汉语普通话声调识别中的应用

针对汉语普通话声调的识别,采用声谱图表示声音频率信息的方法代替传统比较单一的特征提取,同时基于巨量数据和深度学习的方式,获得了可观的识别率。声调的频率特性以及不同频率之间的空间结构在声谱图中均可以得到很好的表示,同时利用深度学习中卷积神经网络模型,对声谱图进行训练学习,获取与声调相联系的大量频率特征,进而使得声调识别率得到提高,其中在验证样本集合数量为96511时,识别率为98.5%。     

基于CNN的舰船高分辨距离像目标识别

针对传统目标识别方法人工提取特征难以挖掘到数据深层次特征的问题,提出了将卷积神经网络(CNN)应用于高分辨距离像(HRRP)的目标识别方法,实现了对数据深层次特征的自动提取。首先构造CNN模型,设置网络参数;然后针对HRRP数据是一维的问题,将HRRP数据重新排列使一维数据变为二维数据;其次用训练数据对CNN模型进行训练得到网络参数;最后用训练好的网络模型对测试数据进行目标识别。通过对数据的减半并且添加噪声,验证了CNN的泛化性能。通过对学习率的优化,可以进一步提高CNN的识别率。实测数据的实验结果表明,CNN具有较好的识别性能。     

基于DBF的汉语方言自动辨识

在汉语方言辨识中,传统的声学特征是语音信号的谱特征的参数化表示,常常包含说话人、信道、背景噪声等冗余信息,针对上述问题将深度神经网络(Deep Neural Network,DNN)引入特征提取之中,提出了与音素层面相关的深度瓶颈特征(Deep Bottleneck Feature,DBF),尝试从特征层面抑制方言冗余信息的影响.最后在实验部分对瓶颈层的位置,节点数目进行了讨论,结果显示,深度瓶颈特征相对于传统声学特征能够取得更高的识别率.     

结合遥感卫星及深度神经网络的白天海雾识别

遥感卫星能够对云雾进行大范围、长时间监测, 对海雾识别研究具有重要的意义,本文根据不同云、 雾和下垫面的光谱特性及纹理特征,通过葵花8号卫星(Himawari-8)提取云图特征、CALIOP 星载激光雷达 (cloud-aerosol Lidar with orthogonal polarization,CALIOP)获取中高云、低云、海 雾、晴空海表四类样本标签, 利用深度学习方法构建深度神经网络(Deep Neural Networks,DNN),实现了白天海雾的有 效识别。实验结果 表明:本文训练得到的深度神经网络模型准确率为82.63%,具有较高 的识别精度,而且相比其它海雾识别 方法也有更好的识别结果。利用该模型对2016年4月8日发生于黄渤海 区域的海雾天气进行识别,并通过 CALIOP标签数据对识别效果进行验证,结果表明该方法能够较好的识别出海雾区域。     

基于SDAE-DNN的网络异常检测方法

本文针对传统的异常检测方法在处理海量高维度数据时检效果不佳的问题,提出一种融合栈式去噪自编码器(SDAE)和深度神经网络(DNN)的网络异常检测方法。首先,利用栈式去噪自编码器对数据进行特征降维,实现从高维数据到低维数据的非线性转换;然后用深度神经网络对数据进行分类。采用NSL-KDD数据集的实验结果表明,与与其他异常检测方法相比,SDAE-DNN模型性能要优于其他方法,取得了更好的检测效果。     

基于瞬时相位差和深度学习的丢包隐藏方法

实时IP 语音通信在数据包会丢失的情况下,语音质量会受到严重影响。为了恢复传输过程中丢失的语音信息,本文提出了一种基于瞬时相位差(Instantaneous Phase Deviation, IPD)和深度神经网络(Deep Neural Network, DNN)的丢包隐藏 (Packet Loss Concealment, PLC)方法。在训练阶段,将语音的对数功率谱(Log Power Spectrum, LPS)和IPD作为训练DNN的输入特征,以学习从接收包到丢失包的映射关系;在重构阶段,将丢包前接收到的语音包送入训练好的DNN中,恢复出丢失包的语音。实验结果表明,在不同丢包率下,所提方法的性能优于传统的基于LPS和DNN的PLC方法。      

基于深度神经网络的正交频分复用波形外辐射源雷达参考信号重构

针对正交频分复用(OFDM)波形外辐射源雷达的参考信号获取问题,基于"解调-再调制"的重构方法结合了波形优势,能获得更为纯净的参考信号.该文在此基础上提出一种联合OFDM解调、信道估计、信道均衡和星座点逆映射的深度神经网络(DNN)重构方法,建立了基于DNN的参考信号重构方案,通过网络学习自适应深度挖掘从时域接收符号到传输码元之间的映射关系、隐式地估计信道响应,从而提高解调精度和重构性能.该文首先研究了仿真数据集的获取问题、DNN的搭建和训练问题,接着对基于DNN方法在导频数目减少、循环前缀的移除、存在符号定时偏差、存在载波频偏、对高峰值平均功率比信号进行时域加窗滤波等情况下的参考信号重构性能进行了仿真分析,仿真结果表明该方法对参考信号重构的有效性.     

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

基于AE-CNN的手势识别算法的探讨及实现

近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。     

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,笔者在本篇文章中设计了一类全新的方法,本方法结合卷积神经网对字形相似的字智能化学习有效特征,并且采用了光学图像识别技术,另外,这类方法通过手写云平台中丰富的数据资源对模型进行高效的训练,同时根据频度统计形成特定的相似子集,以此有效的优化识别率。实验结果显示,和原有的支持向量机(SVM)以及最近邻分类器方法进行系统性的对比,本文所论述的方法能够显著提升识别率。     

基于压缩感知的阅卷系统手写汉字识别算法

针对阅卷系统中手写汉字识别率和识别精度低的问题,文中提出一种基于压缩感知理论的阅卷系统手写汉字识别算法。该算法首先对阅卷系统手写汉字图像进行随机采样得到其特征;然后对其进行稀疏表示,并最小化其l1范数以得到样本的稀疏解;最后利用该稀疏解的系数判别测试样本的类别。该方法用对信号的随机采样替代了传统的特征提取方法,简化了算法的实现过程,同时用现有的训练样本组成训练字典,避免了复杂的训练过程。该算法在手写汉字数据库ETL9B上的识别率达到99.1%。     

基于GoogLeNet的手写体汉字识别

近年来基于深度学习的方法识别手写体汉字取得了很多突破,但现有的一些方法存在计算参数多、模型收敛慢、训练时间长的缺点。针对以上问题,提出了基于GoogLeNet的脱机手写体汉字识别模型HCCR-IncBN,模型使用了5个Inception-v2模块,训练参数较少,模型收敛更快,存储整个模型只需要26MB的存储空间。实验利用HCCR-IncBN模型在ICDAR2013数据集获得了95.94%的识别准确率,表明模型在没有使用任何手写体汉字的特定领域知识和无需人工提取其他特征的前提下能够获得较高的识别效果。     

基于SVM的多特征手写体汉字识别技术

针对传统的模板匹配法对汉字的识别率较低,文中提出一种基于SVM的多特征手写体汉字识别技术。在提取网格特征的基础上增加对汉字质心特征、笔划特征、特征点的提取,并采用SVM算法构造分类器,实现对手写体汉字的识别。实验结果表明,该方法的平均识别率为95.9%,高于传统的模板匹配法。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

基于主曲线的脱机手写数字识别

该文提出了一种基于主曲线的脱机手写数字识别方法.该方法将主曲线及知识约简算法运用于识别模型中.主曲线是主成份分析的非线性推广,它是通过数据分布"中间"并满足"自相合"的光滑曲线.它较好地反映了数据分布的结构特征.粗糙集理论的知识约简是从决策表中获取决策(分类)规则的有效工具.本文将主曲线用于训练数据的特征提取,根据主曲线的特征生成决策表;利用我们提出的知识约简算法对决策表进行处理,自动获得分类规则.这种方法既符合人的识别习惯,又克服了利用统计特征识别所带来的不足.实验结果表明了该方法能有效提高手写数字的识别率,为脱机手写数字识别的研究提供了一条新途径.     

基于1D-Concatenate的信道估计DNN模型优化方法

为提高DNN模型在无线通信中信道估计精度,提出一种基于1D-Concatenate的信道估计DNN模型优化方法。该方法将Concatenate进行一维（1D）数据转换,以跳跃连接的方式引入DNN模型,抑制梯度消失问题,运用1D-Concatenate恢复网络训练过程中丢失的数据特征,提高DNN信道估计精度。为验证优化方法的有效性,选取较典型的基于DNN的无线通信信道估计模型进行对比仿真实验。实验结果表明,本文提出的优化方法对已有DNN模型的估计增益提升可达77.10%,在高信噪比下信道增益提升可达3 dB。该优化方法能有效提高DNN模型在无线通信中的信道估计精度,特别是高信噪比下提升效果显著。     

基于笔划提取和合并的离线手写体汉字字符切分算法

手写体汉字字符切分是离线汉字字符识别预处理中的一个重要问题，针对离线手写体汉字，提出一种基于笔划提取和合并的手写体汉字字符切分算法。该算法首先基于方向游程提取汉字的笔划，并建立笔划框，再根据汉字笔划的结构知识对笔划框进行合并，得到字符的切分结果。该算法能较好地解决粘连汉字字符的切分问题，对从现场随机采集的2500封手写体信函地址汉字进行切分，单字正确率可达91．5％。     

Deep Learning for OFDM Channel Estimation in Impulsive Noise Environments

Impulsive noise suppression is essential in orthogonal frequency division multiplexing (OFDM) systems, since impulsive noise may cause a serious decline in channel estimation performance. To solve this problem, a channel estimator based on denoising autoencoder-deep neural network (DAE-DNN) is proposed in this paper. The proposed method is based on a data-driven deep learning framework. Firstly, DAE preprocesses signals to learn damaged data and recover the complete signal are used in the presence of impulsive noise. Then, the transmitted data processed by DAE are used to train the DNN in the offline training process. Finally, the estimated channel state information (CSI) is offered by the proposed DNN model in the online working process. The simulation results demonstrate that the proposed method improves OFDM channel estimation performance significantly. As expected, the proposed method has a better performance than existing ones, such as least squares, minimum mean square error and orthogonal matching pursuit algorithms. Moreover, the proposed method is robust under impulsive noise environments.

     

贝叶斯分类器在手写汉字识别中的应用

由于缺少以较少的存储空间描述汉字特征概率密度函数方法,在汉字识别系统中贝叶斯分类器很少得到应用.本文提出一种只需6个数据就能描述一个特征的概率密度函数的方法,构造了一个基于贝叶斯分类器的手写汉字识别系统.实验结果表明,该分类器具有优良的性能.