应用小波包变换和主成分分析识别亚健康状态

为了评估亚健康状态,提出一种基于心电信号小波包变换和主成分分析的亚健康状态识别新方法。采用小波包变换对心电信号进行特征提取;再利用主成分分析（PCA）对所提特征进行降维处理,以剔除特征之间的冗余信息;最后应用线性判别式分析（LDA）对亚健康状态进行分类识别。研究结果显示,该方法能获得较高的识别率,对于实现亚健康状态的评估具有一定的参考价值。     

地铁列车客室车门自动试验装置研制与应用

介绍了一种地铁车门自动试验装置,用于车辆组装完成后的车门调试试验;地铁车门试验是地铁电气静态调试试验的重要组成部分,而车门性能的优劣将直接影响到乘客的安全;针对地铁车门系统在车辆上的布置规律,综合各车门系统供货厂家的电气接口特点,制作车门自动试验装置,该试验装置可根据试验要求向地铁车门系统发送开门、关门、零速等指令,并实时采集各车门的开关、故障等总线信息,对车门状态进行显示、存储;通过使用该试验装置简易明了的展示了地铁各车门装置并对数据进行存储,最终证明车门自动试验装置可以缩短试验时间,提高试验效率的同时增加了试验数据的可追溯性.     

基于BERT和多窗口门控CNN的电机领域命名实体识别

针对电机领域命名实体识别困难、精度不高的问题,提出了一种基于BERT和多窗口门控CNN的电机领域命名实体识别模型。该模型首先利用BERT预训练模型生成句子的字向量序列,根据电机领域文本的上下文动态微调字向量,增强字向量的语义表达;其次,构建具有全局时序特征感知单元和多窗口门控CNN单元的双分支特征提取层,形成句子的多级语义特征表示;最后,通过CRF对字符序列进行解码,得到每个字符对应的标签。在小规模的自建电机领域数据集与多组模型进行的对比实验结果表明,该模型命名实体识别性能均优于其他模型,macro-F1值达到了90.16%,验证了该方法对电机领域实体识别的有效性。     

融合多语义特征的命名实体识别方法

针对语言普遍存在的字符间非线性关系,为捕获更丰富的语义特征,提出了一种基于图卷积神经网络（GCN）和自注意力机制的命名实体识别（NER）方法。首先,借助深度学习方法有效提取字符特征的能力,采用GCN学习字符间的全局语义特征,并且采用双向长短时记忆网络（BiLSTM）提取字符的上下文依赖特征;其次,融合以上特征并引入自注意力机制计算其内部重要度;最后,使用条件随机场（CRF）从融合特征中解码出最优的编码序列,并以此作为实体识别的结果。实验结果表明,与单一采用BiLSTM和CRF的方法相比,所提方法在微软亚洲研究院（MSRA）数据集和BioNLP/NLPBA 2004数据集上的精确率分别至少提高了2.39%和15.2%。可见该方法在中文和英文数据集上都具备良好的序列标注能力,且泛化能力较强。     

主成分分析方法(PCA)在车辆牌照识别中的应用

将主成分分析方法（PCA）应用于车牌识别。首先根据采集到样本分类构造各类样本对应特征子空间,然后对待识别字符图片进行预处理,再分别向各类特征空间投影,根据重构误差判断类别识别字符。     

基于整体特征神经网络数字二次识别方法

根据数字字符整体特征, 提出一种基于字符整体特征的Bp神经网络数字二次识别方法. 该方法首先根据Bp神经网络原理对数字字符进行预识别; 然后对预识别结果中存在混淆的字符按照字符整体特征进行二次识别, 从而准确获得识别结果. 该方法结合了神经网络非线性、自主学习特点和字符整体特征形状结构不变性特点, 有效的在低样本量情况下, 获得较高的字符识别精度.     

基于几何特征的IC芯片字符分割与识别方法

针对IC芯片字符的分割与识别问题,提出了一种基于字符几何特征的分割方法和一种基于字符最小外接圆的归一化与重定位方法,使用基于像素差分的模板匹配完成识别。首先,对芯片图像进行直方图均衡化处理,并利用辅助圆进行中线定位和图像校正,定位得到ROI区域并进行均值二值化处理。随后,对二值化ROI图像进行字符分割,以字符的几何特征作为判断条件,从而完成了对缺陷字符的正确分割。之后,对单字符图像提取最大轮廓,利用其轮廓的最小外接圆进行字符的归一化与重定位。最后,对归一化的字符进行差分识别。通过采集4种芯片样本进行实验,结果表明,该方法能够实现芯片字符的准确分割,对于缺陷字符的分割准确率达90%;能够快速精准地识别芯片字符,单字符平均识别时间为4.6 ms,识别准确率达到99.4%。     

基于CNN与有限状态自动机的手写体大写金额识别

手写票据识别是模式识别中的研究难点之一,手写体风格多样、票据背景复杂等原因导致手写票据识别的准确率不高。大写金额作为票据中最重要的部分,对其进行准确识别是手写票据自动识别的关键。对基于分割的手写体大写金额识别及处理问题进行研究,提出一种基于卷积神经网络（CNN）与有限状态自动机的手写体大写金额识别方法。在利用过分割和组合过分割项得到单字符后使用CNN对其进行识别。通过对字符进行分类、定义各类字符之间的逻辑关系构造用于语法检查的有限状态自动机,通过语法自动机在识别结果中选择符合语法规则的字符串,并在路径搜索中利用语法自动机优化搜索性能。在此基础上,运用语法自动机对模糊字符进行预测,以纠正CNN的识别错误。实验结果表明,该方法在对大写金额单字符和文本行进行识别时准确率分别高达98.2%与96.6%。     

自然环境下道口客车车身字符识别算法研究

针对外观尺寸相近,处于分类区间边缘的客车车型识别率不高的问题,提出通过识别车身限载数字字符进行车型分类的方法。由二值图结合字符的格式塔特征实现文字区域精定位,将分割出的数字字符使用神经网络进行识别,最终将识别的结果对应转换成相应客车类别以实现车型分类。将该算法在道口采集的三类、四类客车样本上进行实验,综合识别率为88.5%,相比基于外观几何特征的车型识别,识别率提高了将近10个百分点,且基于改进二值化算法（Psauvola）的字符识别相比使用其他二值化算法,识别率提升了一倍多。     

融合多语义特征的命名实体识别方法

针对语言普遍存在的字符间非线性关系，为捕获更丰富的语义特征，提出了一种基于图卷积神经网络（GCN）和自注意力机制的命名实体识别（NER）方法。首先，借助深度学习方法有效提取字符特征的能力，采用GCN学习字符间的全局语义特征，并且采用双向长短时记忆网络（BiLSTM）提取字符的上下文依赖特征；其次，融合以上特征并引入自注意力机制计算其内部重要度；最后，使用条件随机场（CRF）从融合特征中解码出最优的编码序列，并以此作为实体识别的结果。实验结果表明，与单一采用BiLSTM和CRF的方法相比，所提方法在微软亚洲研究院（MSRA）数据集和BioNLP/NLPBA 2004数据集上的精确率分别至少提高了2.39%和15.2%。可见该方法在中文和英文数据集上都具备良好的序列标注能力，且泛化能力较强。     

改进胶囊网络优化分层卷积的亚健康识别算法

针对传统卷积神经网络(CNN)为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题,提出改进胶囊网络优化分层卷积的亚健康识别算法.首先,对原始振动数据进行小波降噪和小波包降噪两种数据处理,更好地保留原始信号中对亚健康识别有用的信息;其次,CNN采用分层卷积的思想,并行3个不同尺度的卷...     

基于融合型深度学习的滚动轴承亚健康识别算法

深度学习模型增加了隐含层的层数,使得该模型在语音识别、图像视频分类等方面取得了不错的效果;但建立一个适合特定对象的模型需要大量的数据集来训练,而且需要较长时间才能获得合适的权重和偏置,为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法。首先,采集滚动轴承振动信号并进行傅里叶变换和归一化处理;其次,设计改进的自动编码器-稀疏边缘降噪自动编码器,结合了稀疏自动编码器和边缘降噪自动编码器的特点;接着建立深度自动编码器-相关向量机网络模型,用有监督的函数对各个隐含层的参数进行微调,并利用相关向量机（RVM）进行训练;最后将得到的分类根据D-S证据理论融合并得出最终的分类结果。实验结果表明所提算法能有效提高滚动轴承"亚健康"状态的识别精度,纠正错误分类。     

红外光幕在地铁屏蔽门障碍物探测中的研究

针对现有地铁屏蔽门通过门速曲线的改变来探测障碍物的方法在检测最小尺寸为4 mm×40 mm的障碍物中所存在的不足,提出一种利用红外光幕的障碍物探测方法,并结合数字信号处理器(DSP)的无刷直流电动机控制技术和模糊PID控制算法来实现地铁屏蔽门障碍物的探测,最后在Matlab/Simulink环境中构建了整个系统的数学模型,并对系统在正常情况和遇到障碍物时的关门过程进行仿真分析。仿真结果表明:基于该方法设计的地铁屏蔽门障碍物探测系统可以解决现有地铁屏蔽门在障碍物探测方面的不足。     

基于时空兴趣点和概率潜动态条件随机场模型的 在线行为识别方法

针对在线行为连续序列的识别问题以及行为识别模型的稳定性问题,提出一种监控视频中基于概率潜动态条件随机场（PLDCRF）的在线行为识别方法。首先,应用时空兴趣点（STIP）对行为特征进行提取;再利用PLDCRF模型识别室内人体的活动状态。PLDCRF模型融合了隐含状态变量,能够构建姿态序列子结构,可以选取姿态之间的动态特征,并且直接标记出未分割序列;同时也可以正确地标记出行为间的转换过程,从而明显改善了行为识别的效果。隐含条件随机场（HCRF）、潜动态条件随机场（LDCRF）、潜动态条件神经场（LDCNF）以及PLDCRF模型对10种不同动作的识别率比较结果表明,所提PLDCRF模型对连续的行为序列的综合识别能力更强,并且有更好的稳定性。     

结合目标检测的室内场景识别方法

在目标检测网络（ObjectNet）和场景识别网络相结合的方法中，由于ObjectNet提取的目标特征和场景网络提取的场景特征的维度和性质不一致，且目标特征中存在影响场景判断的冗余信息，导致场景识别的准确率低。针对这个问题，提出一种改进的结合目标检测的室内场景识别方法。首先，在ObjectNet中引入类转换矩阵（CCM），将ObjectNet输出的目标特征进行转化，使得目标特征的维度与场景特征的维度相一致，以此减少特征维度不一致带来的信息丢失；然后采用上下文门控（CG）机制对特征中的冗余信息进行抑制，从而降低不相关信息的权重，提高了目标特征在场景识别中的作用。该方法在MIT Indoor67数据集上的识别准确率达到90.28%，与维护空间布局的对象语义特征（SOSF）方法相比识别准确率提高了0.77个百分点；其在SUN397数据集上识别准确率达到81.15%，与交替专家层次结构（HoAS）方法相比识别准确率提高了1.49个百分点。实验结果表明，所提方法提高了室内场景识别的准确率。     

基于改进粒子群优化的支持向量机与情景感知的人体活动识别

针对目前人体活动类别识别准确率偏低的问题,提出一种支持向量机（SVM）与情景分析（人体运动状态转换的实际逻辑或统计模型）相结合的识别方法,对人体日常的六种活动（步行、上楼、下楼、坐下、站立、躺下）进行识别。该方法利用了人体活动样本之间存在逻辑关系的特点,首先使用经改进的粒子群优化（IPSO）算法对SVM模型进行优化,然后利用优化后的SVM对人体活动进行分类,最后通过情景分析的方法对错误的识别结果进行修正。实验结果表明,所提方法在加州大学欧文分校（UCI）的人体活动识别数据集（HARUS）上的分类准确率达到了94.2%,高于传统的仅使用模式识别进行分类的方法。     

可见光-近红外HSV图像融合的场景类字典稀疏识别方法

针对典型自然场景智能观测的需求,为提高稀疏分类器在小样本数据库上的识别精度,提出一种可见光和近红外（NIR）HSV图像融合的场景类字典稀疏识别方法。首先,利用一直应用在计算机视觉显示领域中的图像HSV伪彩色处理技术将近红外图像与可见光图像融合;然后,对融合图像进行通用搜索树（GiST）特征和分层梯度方向直方图（PHOG）特征的提取与融合;最后,结合提出的类字典稀疏识别方法得到场景分类结果。所提方法在RGB-NIR数据库上的实验识别精度达到了74.75%。实验结果表明,融合近红外信息的场景图像的识别精度高于未融合时的识别精度,所提方法能够有效增加稀疏识别框架下场景目标的信息表征质量。     

基于双流非局部残差网络的行为识别方法

针对传统卷积神经网络（CNN）对人体行为动作仅能提取局部特征易导致相似行为动作识别准确率不高的问题,提出了一种基于双流非局部残差网络（NL-ResNet）的行为识别方法。首先提取视频的RGB帧和密集光流图,分别作为空间流和时间流网络的输入,并通过角落裁剪和多尺度相结合的预处理方法进行数据增强;其次分别利用残差网络的残差块提取视频的局部表观特征和运动特征,再通过在残差块之后接入的非局部CNN模块提取视频的全局信息,实现网络局部特征和全局特征的交叉提取;最后将两个分支网络分别通过A-softmax损失函数进行更精细的分类,并输出加权融合后的识别结果。该方法能充分利用局部和全局特征提高模型的表征能力。在UCF101数据集上,NL-ResNet取得了93.5%的识别精度,与原始双流网络相比提高了5.5个百分点。实验结果表明,所提模型能更好地提取行为特征,有效提高行为识别的准确率。     

基于行为特征分析的微博恶意用户识别

近年来,社交网络数据挖掘作为物理网络空间数据挖掘的一大热点,目前在用户行为分析、兴趣识别、产品推荐等方面都取得了令人可喜的成果。随着社交网络商业契机的到来,出现了很多恶意用户及恶意行为,给数据挖掘的效果产生了极大的影响。基于此,提出基于用户行为特征分析的恶意用户识别方法,该方法引入主成分分析方法对微博网络用户行为数据进行挖掘,对各维度特征的权重进行排序,选取前六维主成分特征可以有效识别恶意用户,主成分特征之间拟合出的新特征也能提升系统的识别性能。实验结果表明,引入的方法对微博用户特征进行了有效的排序,很好地识别出了微博社交网络中的恶意用户,为其他方向的社交网络数据挖掘提供了良好的数据清洗技术。