高光谱数据特征选择与特征提取研究

高光谱遥感数据的最主要特点是: 传统图像维与光谱维信息融合为一体, 即“图谱合一”。针对高光谱数据波段多、数据量大、冗余度大等特点, 论述了特征选择和特征提取的若干算法, 分析了各自的优缺点。重点研究了导数光谱算法, 并针对二值编码的不足研究了其改进算法-- 四值编码算法。最后用编码技术和导数光谱技术提取了地物的光谱特征参数; 试验表明: 四值编码算法比二值编码算法效果更佳; 光谱导数阶数越高, 对地物特征的表达越有效。     

图像尺寸对机器人视觉定位实时性的影响研究

尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法由于具有尺度、旋转和光照不变等特性,被广泛应用到移动机器人视觉定位领域。由于定位计算中使用的特定标示物图像及背景图像的尺寸对定位计算时间影响较大,为提高移动机器人视觉定位的实时性能,分别改变待识别图像以及背景图像的尺寸,进行了图像匹配实时性测试实验。实验结果表明,特定标示物图像和背景图像的尺寸缩小到40%～60%时,移动机器人视觉定位实时性提高30%～40%左右,特征点数减少20%～30%左右。在满足定位精度要求的情况下,大大提高了定位的实时性。由此可知,通过合理选择图像的尺寸不仅可以满足匹配精度,还能提高移动机器人的视觉定位效率,对于类似该实验使用的移动机器人视觉定位具有广泛的指导意义。     

一种改进的人眼特征检测方法

眨眼是人眼的重要特征。尝试了一种将双眼作为整体,利用Haar小波变换确定位置,然后利用人脸模型,分割出两个单眼,最后使用PCA方法判断出眨眼的检测方法。这种方法将双眼作为整体检测克服了人眼单眼定位的误差,并在双眼整体检测结果上运用PCA方法提取数据,检测眨眼,实验结果表明,此方法是可行和有效的。     

二维图象特征点快速提取算法

三维立体重建中的主要难题之一就是如何有效选择兴趣点,虽在文献[2]-[5]中提出了各种算法,但这些方法计算量大,且不能有效抑制干扰噪声,对光照条件的要求也十分苛刻,基于此,提出了一种二维图象特征点快速提取方法,通过与文献[2],[4]中方法就特征点识别与提取结果的实验对比,证实了该算法具有抗干扰能力强,对外界光照条件适应性强及处简单,运行速度快等显著特点,通过对一具有已知三维坐标的标准件的三维重建,证实了该算法的有效性,采用该算法所提取的特征点具有较高的准确性。     

一种基于稀疏表示系数的特征相关性测度

目前特征选择方法中常用的特征相关性测度可有效评估两个特征之间的相关性,但却将特征孤立看待,没有考虑其它特征对它们相关性的影响。文中在整体考虑特征之间关系的前提下,提出用稀疏表示系数评估特征的相关性,它与现有特征相关性测度的不同之处在于可揭示特征在其它所有特征影响下与目标的相关性,反映特征间的相互影响。为验证稀疏表示系数评估特征相关性的有效性,在典型的高维小样本数据上,比较了Relief F方法及分别以稀疏表示系数、对称不确定性和皮尔森相关系数为相关性测度的特征选择方法选择的特征集的分类能力。实验结果表明文中方法选择的特征集的分类能力高且较稳定。     

基于模拟退火遗传算法的贝叶斯分类

朴素贝叶斯分类器是一种简单而高效的分类器,但是其属性独立性假设限制了对实际数据的应用。文章提出一种新的算法,该算法为避免数据预处理时的属性约简对分类效果的直接影响,在训练集上通过随机属性选取生成若干属性子集,以这些子集构建相应的朴素贝叶斯分类器,采用模拟退火遗传算法进行优选。实验表明,与传统的朴素贝叶斯方法相比,该方法具有更好的性能。     

基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

基于时频域特征的局部放电单脉冲波形分析

局部放电试验作为一种非破坏性试验,是电力设备绝缘检测和诊断的重要方法。人们对电力设备可靠性的要求越来越高,针对现在电力设备事故大部分是由设备绝缘局部放电造成的,本文通过对惰性气体、环氧树脂、空气、油四种介质中的局部放电的实测波形进行分析,得出了不同类型局部放电的波形时频域特征,为局部放电模式识别特征提取提供科学依据。     

基于局部特征和焦点融合的车辆重识别算法

由于城市监控中存在大量相似的车辆,造成了车辆重识别匹配率低。车头、车窗、车顶等局部特征是相似车辆细微差异性的所在。根据车辆检测算法卷积特征热力图注意力分布特性,提出了针对车辆局部特征区域检测的MCRF-SSD算法,并与GMM-EM聚类算法相结合,检测性能在公开的数据集上均优于目前主流算法。同时为了增大类间距离、缩小类内距离将arcface损失函数引入到了特征提取阶段。为了提高车辆重识别匹配性能,在全局特征与局部特征融合阶段提出了一种保留特征图空间分布的焦点融合（Ffs）方法,并引入了一个可学习参数,提高了特征融合效率。实验结果表明,所提出的算法在公开的VehicleID和VeRi数据集中性能表现优于目前性能最优的方案。     

基于深度学习的水声被动目标识别研究综述

被动声呐通过接收目标自身发出的辐射噪声信号进行目标探测。水声目标识别通过分析水声信号来判别目标个体,是水声工程领域的重点研究方向。深度学习作为近年来各领域的研究热点,其在水声目标识别领域中的应用引起了学者的广泛关注。该文以水声目标识别的步骤框架为切入,介绍了典型深度网络模型;总结出了深度学习在水声目标识别领域中的两大内涵：围绕时频谱、梅尔倒谱系数等特征调研了近几年深度学习作为分类器的关键问题以及研究进展,围绕数据增强、数据降噪等信号处理手段调研了近几年深度学习作为信号处理工具的关键问题以及研究进展;并从数据驱动、特征驱动、模型驱动3个方面对该领域的发展趋势进行展望,旨在推动水声目标识别领域的发展。