采用RAM加权技术的自适应模式识别系统

简要介绍了利用ＲＡＭ网络实现的自适应模式识别系统的结构和工作原理，提出了利用ＲＡＭ加权技术优化系统性能的方法。就该方法对系统性能的优化给出了简例，并从理论上作敢初步的证明。     

基于可变区域特征和SVM的步态识别研究

根据人体随步态变化不一样的特点,提出了一种基于人体可变区域分割的步态识别方法。首先,应用背景差方法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。最后对得到的特征量采用SVM进行步态的分类和识别。在UCSD和CASIA步态数据库上进行实验,结果表明该方法不但能克服由于获取的特征量过少而造成的信息丢失,还取得了较好的识别性能。     

视觉惯导SLAM初始化算法研究

单目视觉系统融合惯性测量单元的同时定位与地图构建(SLAM)系统,能实现在使用场景上的互补,以及较低的硬件成本,在实际工程应用中越来越受到青睐.最近的研究表明,基于优化的SLAM算法性能优于基于滤波的SLAM算法.基于优化的视觉惯导融合SLAM算法具有高度非线性化的特点,其性能高度依赖于系统初始状态估计的准确性;惯性测量单元需要加速度激励,这意味着不能从静止状态启动,而必须从未知的运动状态启动,因此如何确定这一未知的初始状态显得尤为重要.综上可知,对初始状态准确的估计是SLAM算法具有高精确鲁棒性的关键,也是视觉惯性融合算法的第一步.通过对惯性测量单元预积分算法的分析,推导出一种凸优化的初始化估计系统.在综合考虑了重力加速度的约束条件下,对各初始状态进行联合求解.更重要的是,提出了一种新颖的方法,即通过费歇尔信息衡量估计效果的好坏来确定初始化算法的终止条件,提高算法精确度的同时也缩短了初始化的时间.在Euroc数据集上的实验表明,该算法具有更高精确鲁棒的初始状态.     

适合长时跟踪的自适应相关滤波算法

针对在长时跟踪中,快速运动、遮挡等复杂情况很容易引起模板漂移,导致跟踪失败的问题,提出一种适合长时跟踪的自适应相关滤波算法.首先融合HOG特征、CN特征和灰度特征,在增强特征判别力的同时,结合EdgeBoxes生成检测建议并找到最优建议,实现跟踪器尺度与纵横比的自适应;然后利用高置信度跟踪结果来避免模板被破坏,将目标移动速度与边缘组数结合起来形成一种新的自适应更新率,并对每一帧目标框的尺度进行校正;最后在跟踪失败的情况下,应用增量学习检测器以滑动窗口的方式恢复目标位置.在标准测试集上与基于相关滤波的7种算法进行对比,实验表明,该算法在精确度和成功率上均取得较优效果.     

带变异算子的双种群粒子群优化算法

提出一种带变异算子的双种群粒子群算法,搜索在两个不同的子群中并行运行,分别使用不同的惯性权值,使得种群在全局和局部都有较好的搜索能力.通过子群重组实现种群间的信息交换.在算法中引入变异算子,产生局部最优解的邻域点,帮助惰性粒子逃离束缚,寻得更优解.对经典函数的测试结果表明,改进的算法在收敛速度和精度上有更好的性能.     

优化模糊Petri网参数的一种混合智能算法

确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,是目前研究热点之一.提出了一种充分结合量子粒子群优化算法QPSO(Quantum-behaved partide swarm optimization algorithm)和BP网络学习算法各自优点的混合智能算法HQBA,并将其引入到模糊Petri网的参数寻优过程.仿真实例表明,这种混合算法计算简单,收敛速度快,能够明显减少迭代次数,具有更好的全局收敛性能.由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应性.     

组合内核与优化算法在羽绒识别系统中的应用

为了提高支持向量机(SVM)的识别性能,提出了在常用内核的基础上构造一个组合内核函数,然后用拟牛顿算法对其超参数进行优化的方法.该方法被成功运用于羽绒自动识别系统中.实验结果表明,内核优化后,与单独使用常用内核相比,组合内核函数使羽绒自动识别系统具有更佳的识别性能.     

基于邻里关系传播与模式合并的谱聚类

针对传统谱聚类算法中亲合矩阵构造不准确和聚类结果不稳定的问题,提出一种基于邻里关系传播与模式合并的谱聚类算法。根据邻里关系传播原则更新子集内样本的相似度,设计局部最大相似值更新方法更新子集间样本的相似度,使用模式合并技术对子集个数较多的集合加以合并得出粗类,再对粗类间样本相似度进行二次更新,构造出亲合矩阵并将其用于谱聚类运算。实验结果表明,二次更新后,同类中样本的相似度被相对性放大,而不同类中样本的相似度则相对性缩小。与近邻传播的谱聚类算法相比,使用该算法能够得到更准确、稳定的聚类结果。     

模糊支持张量机图像分类算法及其应用

针对在小样本图像分类应用中,以向量空间作为输入的传统分类算法的不足,提出以张量理论为基础,结合模糊支持向量机思想的基于张量图像样本的模糊支持张量机分类器,利用张量表示图像样本,求解最优张量面。通过手写体数字图像样本实验仿真,验证该算法的性能,随后将其应用到羽绒菱节图像识别中进行对比,该算法较传统算法平均高出6.3%以上的识别率。实验证明该算法更适合应用于图像样本分类识别。     

基于SVM的自动羽绒识别系统

随着羽绒制品日益受到消费者青睐,一些不法商家为牟利而制假事件屡见不鲜,因此,羽绒种类的鉴定成为至关重要的问题,而鹅、鸭绒的识别更是重中之重。目前,对羽绒种类的识别,主要是用显微镜通过人眼观察完成的,但这种方式存在诸多弊端。论文通过对鹅、鸭绒等绒毛结构的分析,运用图像处理以及基于SVM的图像识别技术,用计算机完成了对鹅绒、鸭绒的自动识别。