基于智能移动终端的动态签名识别

为在移动终端上进行动态签名识别,采用基于极角特征匹配的动态签名识别方法. 该方法利用签名质心和黄金分割质心建立极坐标系,将从移动终端上获得的直角坐标转换为极坐标后提取极角特征的极值点,并以此为依据分隔签名笔段,通过计算样本与模板之间各个笔段的相似度得到签名总体的相似度,从而判断签名样本与模板是否出自同一人之手. 实验结果表明,该方法的平均误拒率为6.93%,误纳率为11.26%,能够有效地应用于移动终端上的动态签名识别.      

三特征Contourlet纹理图像检索算法

Contourlet纹理检索算法中,特征向量的构造大多采用子带系数的能量和标准偏差级联得到,这在一定程度上阻碍了细节纹理的准确表达.为了克服这个问题,构造了相对标准偏差这个特征作为纹理特性的描述算子,并将该特征与子带系数幅度均值和峰度级联来构造特征向量.采用这种新型的特征向量,在Contourlet与Contourlet-2.3两种轮廓波纹理算法框架下,以Brodatz纹理图像数据库作为测试对象,相对于目前普遍采用的特征向量,平均检索率提高了5%~7%,从而验证了该算法的有效性.     

基于EMD和SVD的在线手写签名特征提取方法

为使在线手写签名认证的使用更具实用性,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的在线手写签名特征提取方法.针对在线签名数据的坐标信息,以EMD分解所得的本征模态函数(IMF)分量为初始矩阵,并进行矩阵奇异值分解,以奇异值的能量值作为样本数据的特征分量构成用户特征向量,建立了基于支持向量数据描述(SVDD)的一类认证模型验证该方法效果.在SVC2004签名数据库上的实验结果表明:该方法提取的签名特征区分明显,使用少量的单类真实签名作为训练样本,得到FAR=3.38%,取得了较好的认证识别效果.     

以能量和峰度为特征的轮廓波纹理检索算法

轮廓波纹理图像检索系统检索率较低的一个重要原因在于纹理特征的提取.针对该问题,从数学角度分析了纹理图像在轮廓波变换域上的统计特性,证明了采用子带系数的能量和峰度作为特征能够更好地刻画纹理结构.在此理论基础上,构造了一种纹理图像检索算法.该算法采用子带系数的能量和峰度级联来构造特征向量,并采用Canberra距离作为相似度度量函数.实验结果表明:在特征向量长度、检索时间、所需存储空间相同的情况下,该检索算法比基于同样架构的已有轮廓波检索算法有更高的检索率.     

基于WSN的战场声目标多特征联合智能分类识别

本文利用WSN对战场声目标进行分类识别。由于战场上目标的声音信号构成非常复杂,采用单一特征很难全面反映其特点,提取多种特征来构成联合特征向量显得非常重要。然而简单的多特征联合识别,给识别带来维数灾难。本文提出,首先对滤波后的信号进行功率谱特征提取,再利用KPCA进行降维处理,将处理后的特征向量与最优小波包能量提取的特征向量组合,最后利用支持向量机完成对战场五类声目标的识别。仿真实验表明,采用这种方法能有效地提高分类识别的准确度。     

基于经验模式分解和BP神经网络的刀具状态监测方法

为提高刀具检测识别率,采用经验模式分解法分解不同状态刀具的切削声音信号,计算各信号分量的能量百分比,形成特征向量。利用三次样条插值方法对特征向量进行插值,插值后的特征向量保留了原始信号的所有特征成分,应用BP神经网络识别刀具的状态。实验结果表明:经验模式分解方法和BP神经网络相结合可以有效识别铣刀状态,平均识别率达86%。     

基于谐波小波包变换的高速列车走行部故障特征提取与识别

文章针对高速列车行走部故障识别难的问题,提出了一种基于谐波小波包分解和相像系数的故障特征提取与分类识别方法,用谐波小波包分解法对各类故障信号进行多层分解,从中提取能反映各类故障特征的频带能量信息组成特征向量,通过计算和比较信号特征向量与不同故障特征向量的相像系数,实现对故障的识别与分类。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆及横向减震器全拆4种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

基于特征点统计模型的联机签名校验

在联机签名校验中,动态时间规正(DTW)方法是一种常用的校验算法,在非线性时间对齐的基础上给出两个签名间的距离并进行判决,这样做经验的成份较多,缺乏统计基础。该文提出了签名的特征点统计模型,利用DTW算法在序列匹配的基础上从签名中提取到多个特征点,将每个特征点的变化情况描述为多维统计特征的概率分布,在所有特征点具有同样协方差分布的假定下得到具体的概率分布参数。按照此模型推导出了在最小风险准则下对签名进行真伪判决的判决准则。采用此方法对一个公共的签名样本库进行了真伪校验测试,得到了4.41%的等误率。     

基于极角特征匹配的动态签名鉴别算法

基于签名质心和黄金分割质心建立极坐标系, 并提取签名极角特征中相对稳定的极值点序列作为笔段分隔点给出一种签名鉴别算法. 提出了改进的动态时间规整(DTW)算法, 通过该算法将待测样本和签名模板依分隔点的对应关系按段进行动态匹配, 得到最优匹配方案和最佳相似度, 从而降低了误拒率. 算法经JLU DHSDB2.0签名数据库测试, 识别等错率达到4.25%.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

一种适于心电数据的可分性评价准则研究

在心电特征提取中,现存的基于多种可分性准则和K L变换等技术在特征提取的有效性等方面都有各自的优缺点,都不能保证取得满意的结果。这就需要有一个评价准则来衡量最终特征的有效性和类间的可分性。为此,本文针对心电数据提出了一种基于标准差和欧氏中心距的可分性评价准则,并应用于MIT BIH数据库中心律失常数据的特征提取、特征有效性的评测和决策树的设计。实验结果表明,这是一种有效和实用的可分性评测准则。     

基于改进的并行特征融合人脸表情识别

基于信息融合理论和线性鉴别分析,提出了一种改进的并行特征融合人脸表情识别方法.该方法首先将不同表征下的人脸表情特征利用复向量组合起来,构成复特征向量,然后利用具有不同权重的最大散度差鉴别分析方法进行进一步的复特征提取.在不同样本库、不同类型特征融合下的实验结果表明,该方法在优化投影轴和避免"小样本"问题的同时得到了满意的识别结果.     

分块统计特征和最优分辨力选择特征相融合的掌纹识别

为提高掌纹识别的性能,提出一种分块统计特征和最优分辨力选择特征相融合的掌纹识别方法。首先对预处理后的掌纹图像进行多方向、多尺度Gabor变换;然后将掌纹划分多个子块提取特征,将各子块特征进行拼接得到整个掌纹特征向量;最后以特征分辨力为准则选出最优掌纹特征子集建立两分类器,通过投票机制建立掌纹多类分类器,并采用Po1yU掌纹库进行性能测试。测试结果表明,该方法的掌纹识别性能优于对比掌纹识别方法。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

一种适于高维时间序列的特征提取方法

为了获得更多的信息,越来越多的数据利用多路传感器进行采集,由此产生了大量的超高维时间序列。特征的提取在处理和传输这些数据中起到至关重要的作用。为此,提出一种最优鉴别平面(ODP)技术以消除数据冗余。该平面由两个在Fisher准则基础上建立起来的相互垂直的矢量组成,将模式样本投影到ODP上可得到二维特征矢量。为了衡量特征的有效性,分别用二次判别函数分类器和阈值矢量分类器对特征进行分类测试。同时,以心电信号为例对ODP方法进行测试,结果表明,该方法应用于超高维数据的特征提取是行之有效的。     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中,针对脑电特征抽取,提出一种基于小波包最优基分解的方法．依据距离准则,从小波包库中选择一个对分类最优的小波包基;在该小波包基包含的所有分解系数中,抽取部分具有最大可分性的系数作为有效特征;不同通道脑电信号有效特征的结合,构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估,并与现有分类结果进行比较,表明了所提出方法的有效性．     

基于小波包变换的超声回波信号特征提取

超声检测技术中,缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法,并对实测的超声缺陷回波信号进行了特征提取;进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明:该方法提取的缺陷回波信号特征值,其可分性测度均值达91.7%,从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。     

Rough set-based feature selection method

A new feature selection method is proposed based on the discern matrix in rough set in this paper. The main idea of this method is that the most effective feature, if used for classification, can distinguish the most number of samples belonging to different classes. Experiments are performed using this method to select relevant features for artificial datasets and real-world datasets. Results show that the selection method proposed can correctly select all the relevant features of artificial datasets and drastically reduce the number of features at the same time. In addition, when this method is used for the selection of classification features of real-world underwater targets,the number of classification features after selection drops to 20% of the original feature set, and the classification accuracy increases about 6% using dataset after feature selection.     

一种基于Fisher准则的说话人识别方法研究

在说话人识别系统中,提高反映说话人个性的语音信号特征参数的有效性和实时性是问题之一.本文在使用线性预测系数倒谱(LPCC)和美尔倒谱系数(MFCC)计算特征参数的基础上利用Fisher准则,构造了一种新的混合特征参数.这种新的参数在不增加系统计算量的同时,结合了LPCC和MFCC各自的优点,具有更好地表征说话人特征的能力,并在一定程度上消除特征的信息冗余,有利于信息的实时处理.     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。