鲸类声信号的分类系统设计

针对传统的水声信号分类技术处理方法复杂、特征提取时间长以及特征量多等问题,提出了一种基于稀疏表示的分类系统,先利用正交匹配追踪法(OMP)算法提取与水声信号最为匹配的少数原子作为目标特征,再采用支持向量机(SVM)进行分类.对鲸类声信号进行仿真实验,实验结果表明,不仅提高了压缩效率和运算速度,而且识别率高,在水声信号的实时处理中具有较高的实用价值.     

水声信号的调制方式识别

研究了不同水声信道环境下不同调制方式的水声信号识别算法。该算法利用双谱计算信号的双谱矩阵,并对双谱矩阵进行特征值特征向量分解,将分解得到的最大特征值对应的特征向量作为特征量。文中选取不同水声信道传输的样本信号计算其特征量,将待识别信号的特征量与样本信号的特征量做内积运算,将最大内积值对应的调制方式作为待识别信号的调制方式。实验仿真结果表明,该算法较好地实现了不同信道环境下的水声信号分类识别,在高信噪比条件下能达到90%以上的识别率。     

一种视点直方图特征优化的点云目标识别算法

为了提高点云目标识别算法的识别率、增强算法鲁棒性,研究了一种将颜色纹理的方向特征直方图(CSHOT)算法与视点特征直方图(VFH)算法相结合的点云目标识别算法(CSHOT-VFH)。利用VFH特征对点云目标进行识别,实现目标快速估测。在此基础上,进一步利用CSHOT特征进行精确识别。搭建了实验系统,分别对单物体场景、多物体场景及目标存在部分遮挡等情况进行了测试。测试结果表明:本文算法识别率达到了90%以上,在目标遮挡的两组实验中,本文算法比VFH算法的识别率提高了10%以上,能够满足室内场景目标检测的需求。     

侧扫声纳目标自动探测研究

为了解决水声图像因受到噪声、多途、混响的影响,使水声图像特征难以提取的问题,针对海底目标的识别,通过对图像处理算法的研究以及大量的实验分析,给出了侧扫声纳图像目标自动识别的有效方法.其中包括图像的增强、二值化、二值开闭操作、特征提取、特征计算及目标识别等内容.通过对面积特征的提取和计算实现了对水下目标的自动探测.     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

基于综合特征的花卉种类识别方法研究

提出了1种基于综合特征的花卉识别方法﹒该方法首先利用图像显著性进行分割,以实现前景背景分离;然后分别提取花卉的颜色特征、形状特征和纹理特征,在提取纹理特征时,为了提高特征对花卉的表述能力,对图像进行边缘增强和压缩处理;最后使用SVM分类器进行分类识别﹒实验分别与BP神经网络、KNN最近邻分类这2种分类方法进行了对比分析,相对于BP神经网络的分类识别率(85.81%)和KNN最近邻分类的识别率(84.09%),基于综合特征的识别方法具有更高的准确率,识别率可以达到93.7%﹒     

基于独立分量分析的车牌字符识别

利用独立分量分析提取字符特征,以信息理论中负熵作为估计输出分量之间独立性的目标函数,并在此基础上对待识别字符进行重建,通过对重建模型的误差分析进行字符识别.对3000个车牌字符的识别实验,取得了较高的识别率,证明其算法的有效性和鲁棒性.     

基于KFD特征提取的说话人辨认

目的 获得具有更好的说话人鉴别特征,改善说话人识别系统.方法 首先用KFD对语音信号的MFCC特征进行再提取,然后用SVM对提取的特征分类辨认.结果 比较了LPC和KDA提取MFCC后的3种特征的识别结果.其中LPC的识别结果在89%左右,MFCC识别结果在96%左右,提取后的识别结果在97%左右.其识别率比提取前有明显的提高.结论 该方法对说话人有更好的识别能力.KFD比传统的LDA能提取出可分性更强的特征,提高了系统的识别率,同时由于该方法的复杂性,也增加了系统的运算时间.今后,应该针对如何进一步提高系统的识别率和缩短系统的运算时间等问题进行研究.     

基于语音抑制的飞机识别研究

为研究短波语音通信下的飞机识别,提出利用2种方式对目标声信号进行分析处理.为实现对语音进行抑制,分别利用全局经验模态分解(EEMD)和经验模态分解(EMD)将信号进行重构,然后根据重构后的目标信号进行Bark域频率感知的小波包分解(BWPD)和高阶累积量(HOC)分解,对目标声信号分别提取了听觉感知的特征和展现信号的物理特性的特征;分别利用EEMD和EMD分解对信号进行重构,然后选择Mel 频率倒谱系数和高阶累积量对重构后的信号进行特征提取.对比实验表明:EEMD-BWPD-HOC方法能够抽取出有效的飞机舱内背景声音信号特征,实现语音抑制,并且以较高的识别率识别出4种飞机.     

基于小波包能量及高阶谱的特征提取方法

针对广泛存在的油气管道周边安全问题,研究了管道周围地面活动目标产生的震动信号的特性,提出了一种基于小波包能量谱和信号高阶谱分析相结合的特征提取方法来区分不同的活动目标.根据目标产生的地面震动信号是非平稳的特点,采用基于小波包分解能量的方法对信号的各频带进行分解,得到信号在不同频带内的能量分布特性.仅根据能量谱并不能完全区分不同类型信号,通过对信号高阶统计特性的分析,提取出高阶谱特征频率,结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别.通过对实验数据进行分析,单独采用小波包能量特征其平均识别率为88.5%,而采用本文提出的方法平均识别率可以提高到94.6%,验证了文中提出方法的有效性.     

一种基于主动视觉的运动目标跟踪方法

提出一种基于尺度不变特征变换(SIFT)特征匹配的目标跟踪方法.首先使用SIFT提取目标特征,构建目标特征库,然后使用基于K维树的特征匹配算法,对实时序列图像提取的SIFT特征与特征库中目标进行精确匹配,实现目标检测与定位,根据定位信息自动控制摄像机转动,始终将目标锁定在图像视野中,实现实时跟踪.在真实的室内环境下进行目标跟踪实验,通过检验每一帧目标定位的正确性,计算目标检测的正确率.在本文实验条件下,正确率达到94%,而使用基于HSV色彩直方图的方法,目标检测的正确率小于80%,实验结果验证了该方法的有效性.     

基于视频的人体异常行为检测与识别

提出了一种运动目标检测算法,通过三帧差分法,可以从视频图像中提取出运动目标的轮廓.通过三帧差分法分别对人体正常行走和人体摔倒两种行为进行检测,提取出人体在两种行为的运动过程中的特征.提出一种基于改进Hu矩不变性的人体异常行为识别算法,对人正常行走和摔倒两种行为进行识别.正常行走是正常行为,摔倒则为异常行为.实验证明,该方法对在本研究的实验环境下的正常行走和摔倒两种行为识别率很高,有一定实用价值.     

基于小波包与支撑矢量机的天体光谱自动分类方法

针对天体光谱,通过小波包分解对光谱特征进行提取,并将该特征与支撑矢量机相结合,从而得到一种对活动天体与非活动天体实现自动分类的新方法.该方法未用到谱线信息,避免了谱线提取的复杂过程,使得在低信噪比,红移未知的情况下,依然能够对活动天体与非活动天体进行有效的分类识别.通过实验表明,该方法比其他现有方法有更高的识别率,可达到96.64%,并具有相当好的鲁棒性.     

基于灰度共生矩阵的微动干扰分类识别

针对雷达成像中面临的调制转发微动干扰、微动散射波干扰、脉冲卷积微动干扰3种新型微动干扰样式的识别问题,提出一种基于灰度共生矩阵的干扰识别方法。该方法从图像域角度出发,首先对雷达接收信号矩阵进行灰度化处理,然后利用灰度共生矩阵提取其纹理参数并构造特征参数,最后采用KNN分类器实现了对雷达接收信号中目标回波和3种微动干扰样式的检测与识别。仿真实验结果表明,当信噪比为-5 dB时,不同干信比下4种信号样式的识别率均能够达到90%以上,每种信号样式整体识别率在98%以上;当信噪比为5 dB时,不同干信比下4种信号样式的识别率均能够达到95%以上,每种信号样式整体识别率在99%以上。     

基于小波变换的模糊目标识别

针对图像处理问题中的模糊性问题,在不确定因素分类与影响分析的基础上实施去模糊处理,并与其他图像的降噪处理作比较.利用仿真实验系统地分析模型与算法的有效性;然后,利用小波变换对图像进行分解,提取小波系数和图像的能量特征,给出匹配与识别方法,通过实验与现有主要的目标识别方法作比较.结果表明,该识别法的识别精度高、速度快,比现有的目标识别方法的识别率平均提高了5.16%.     

基于步态轨迹曲线特征的人体身份识别

基于加速度传感器的步态特征身份识别是新兴的身份识别方法.提取有效的特征是提高现有识别方法的关键所在.为了进一步挖掘更加有效的特征,提出了一种基于步态轨迹曲线特征的提取方法.利用傅里叶描述子表示轨迹曲线的全局轮廓特征,方向角描述子表示轨迹曲线的局部特征,二者结合成一个联合轨迹曲线特征向量,利用随机森林分类算法完成分类.实验结果表明,不仅轨迹曲线特征的识别率较高,而且与统计特征结合后的最高识别率达到97.10%,说明轨迹曲线特征能够有效地用于步态身份识别.     

基于语音信号与心电信号的多模态情感识别

通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多 层感知机（MLP）的改进型 Xception 人脸表情识别网络 . 该模型将 Xception 网络提取的特征输 入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到 提升 . 首先将图像缩放为 48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入 本文所提网络模型中. 消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据 集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数 据集和 MMI 数据集上的正确识别率分别为 97.4829%、90.476% 和 74.0678%,Xception+2lay 模 型在 CK+数据集、JAFFE 数据集和 MMI 数据集上的正确识别率分别为 98.04%、84.06% 和 75.593%. 通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+ 2lay模型. 与其他模型相比较也验证了本文模型的有效性.     

一种复杂背景下的手势提取方法

介绍了一种在一般复杂背景条件下将手势与背景分离的新方法.该方法首先在一般背景下对获得的手势图片进行卷积滤波处理,验证了肤色的聚类特性,然后综合利用手势的肤色特征和其特有的几何特征,成功地将手势与背景分离,最后通过不同背景、不同手势提取实验验证了该方法的有效性.将该手势分割方法用于8种于形手势识别实验,静态手势识别率能达到99%.