磨粒图像的纹理分析及识别

以磨粒显微图像分析为应用背景，引入方向测度对磨粒图像表面纹理特征进行描述．该方法对磨粒图像各方向的灰度变化规律进行统计分析，提取了8个纹理特征．然后以提取的纹理特征为输入矢量，利用径向基函数神经网络对磨粒纹理进行分类识别．应用实例表明，方向测度综合反映了磨粒纹理的方向性和粗糙性，可用于磨粒纹理特征的描述；所建立的基于神经网络的磨粒纹理分类模型学习速度快，识别率较高．     

融合图像外特征的岩屑岩性深度学习识别方法

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和传统机器识别的低可靠性问题，提出一种融合图像特征与图像外特征的岩性识别方法。首先采集岩屑的高分辨率图像，使用Xception特征提取器对图像特征进行提取并降维为一维向量，提高模型抽象特征敏感性并防止网络退化问题。同时量化岩屑的物理化学特征如：与盐酸反应程度、含矿物纯度、元素分析结果、硬度等，构建图像外特征向量。融合图像特征向量与图像外特征向量为总特征向量，构建神经网络与分类器进行训练，产生岩性识别模型。该模型相较于仅图像训练模型，在高质量岩屑图像数据集上提高3.45个百分点，在低质量岩屑图像数据集上提高20.92个百分点。该模型结合了传统录井与机器学习的优势，为建立可靠岩性剖面与实现数字化岩屑录井提供了更为高效的方法。     

磨损磨粒显微形态分析与自动识别技术

在磨粒自动识别系统中,首先对彩色磨粒图像进行预处理,运用图像增强、自适应阈值选取、磨粒的标识和图像二值化方法成功地提取了特征磨粒;然后根据磨粒的识别特征建立描述磨粒形态的特征参数体系,确定了磨粒的三类特征参数(颜色、表面纹理和形状尺寸参数),并对磨粒进行特征量提取创建参数数据库;最后以提取的磨粒特征量为基础,运用灰色定权聚类的方法成功地识别了6种特征磨粒(正常磨粒、球形磨粒、切削磨粒、严重滑动磨粒、Fe2O3磨粒、Fe3O4磨粒).实验表明所提方法切实可行.     

一种基于RBF神经网络的英文字符识别方法

提出了一种基于RBF神经网络的英文字符识别方法。该方法首先提取字符的结构特征和统计特征，以它们作为神经网络的输入向量，然后用RBF神经网络进行识别。使用了高斯函数作为神经网络的激励函数，并以最小二乘准则对字符进行识别。对字符样本的识别结果显示，此方法在识别错误率和识别效率等方面均有很好的效果。     

Wear Debris Analysis： Fundamental Principle of Wear-Graphy

A new wear-graphy technology was developed, which can simultaneously identify the shape and composition of wear debris, for both metals and non-metals. The fundamental principles of the wear-graphy system and its wear-gram system are discussed here. A method was developed to distribute wear debris on a slide uniformly to reduce overlapping of wear debris while smearing. The composition identification analyzes the wear debris using the scanning electron microscope (SEM) energy spectrum, infrared-thermal imaging and X-ray imaging technology. A wear debris analysis system based on database techniques is demonstrated, and a visible digitized wear-gram is acquired based on the information of wear debris with image collection and processing of the wear debris. The method gives the morphological characteristics of the wear debris, material composition identification of the wear debris, intelligent recognition of the wear debris,and storage and management of wear debris information.     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

基于Gabor滤波器和RBF网络的人耳识别

人耳这种人体生物特征识别技术已受到广泛的关注。提出一种基于2-D Gabor滤波器和径向基函数(RBF)神经网络的人耳识别方法。应用Gabor滤波器对人耳进行多尺度多方向的特征提取,然后采用RBF神经网络优良的自学习能力和非线性分类能力进行人耳图像的训练和识别。与传统的PCA方法相比,该方法对光照和姿态转换具有很好的鲁棒性,并且对不同的数据库具有较好的泛化能力。在USTB人耳图像库的实验结果显示该方法的有效性。     

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.     

基于谱相关和神经网络的信号调制识别

由于通信信号的体制及调制及调制方式的复杂多样,通信信号调制类型的识别显得尤为重要和迫切.基于调制信号的谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图.分类器采用RBF神经网络,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度.基于谱相关特征参数和RBF神经网络结合的算法能动态识另q信号的调制方式,仿真结果表明:该算法在低信噪比下能取得较高的正确识别概率.     

基于RBF神经网络的输电线路故障类型识别新方法

基于径向基函数(radial basis function,RBF)神经网络理论,采用电流突变量比例系数,提出了一种对输电线路故障类型识别的新方法。利用PSCAD/EMTDC软件建立500 kV高压输电线路仿真模型,仿真不同工况下的故障。由各相电流之差提取故障差流信号的突变量,并计算故障后一个周期内差流突变量的有效值,得到故障状态下各相差流突变量占三相差流突变量有效值总和的比例系数,结合零序电流判别系数构造故障类型识别特征向量,建立RBF神经网络进行故障类型识别。仿真结果表明,采用电流突变量比例系数作为特征量包含的信息更丰富,对RBF神经网络的训练效果更好,不受故障位置、故障初始角和过渡电阻等因素的影响,网络识别精度高。     

基于色彩空间和深度残差网络ResNet-50的复杂岩性油气藏岩石样本智能分类及识别

岩石样本的分类识别是油气和矿产资源勘探中的重要环节。目前，仍然以人工识别的实验方法作为主要方法，普遍存在主观性强、周期长、成本高等典型问题。为此，提出了一种基于色彩空间和深度残差网络ResNet-50的智能分类及识别方法。首先，以7种不同岩性的岩石图片为样本，提取样本的RGB颜色特征，应用无监督K-means聚类算法，按颜色分为3个大类，再通过有监督精细KNN算法对颜色类别进行验证，分类精度均超到98%。然后，对于不同颜色类别下的岩石样本，利用深度残差网络ResNet-50进行分类识别。结果表明，不同颜色类别的岩石样本识别精度平均值为88.21%。     

On-line Cutting Quality Recognition in Milling Using a Radical Basis Function Neural Network

Tool wear, chatter vibration, chip breaking and built-up edge are main phenomena to be monitored in modern manufacturing processes, which are considered as important factors to the quality of products.They are closely related to the cutting parameters, which are to be selected in manufacturing process.However, it is very difficult to measure directly the cutting quality based on on-line monitoring.In this study, the relationship between the cutting parameters and cutting quality is analyzed.A Radical Basis Function (RBF) neural network based on-line quality recognition scheme is also presented, which monitors the level of surface roughness.The experimental results reveal that the RBF neural network has a high prediction success rate.     

On-line Cutting Quality Recognition in Milling Using a Radical Basis Function Neural Network

Tool wear, chatter vibration, chip breaking and built-up edge are main phenomena to be monitored in modern manufacturing processes, which are considered as important factors to the quality of products.They are closely related to the cutting parameters, which are to be selected in manufacturing process.However, it is very difficult to measure directly the cutting quality based on on-line monitoring.In this study, the relationship between the cutting parameters and cutting quality is analyzed.A Radical Basis Function (RBF) neural network based on-line quality recognition scheme is also presented, which monitors the level of surface roughness.The experimental results reveal that the RBF neural network has a high prediction success rate.     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

UK心理测试自动分析系统的手写体数字识别

针对UK心理测试自动分析系统的手写体数字识别问题,提出了结构特征和统计特征相组合的三级分类方案.经过印刷体去除、二值化、作业量判别等预处理之后,一级分类器提取点、线、圆等结构特征并进行组合构造相应模板,然后采用粗细两阶段方案进行模板匹配;二级分类器提取区域模糊统计特征,构造了10个一对多的SVM分类器;三级分类器提取投影特征、笔划特征、Fourier变换特征等,然后利用RBF神经网络进行分类.实验表明该方法合理有效.     

基于局部保留映射与径向基网络的人脸识别方法

局部保留映射（locality preserving projections,LPP）选择人脸子空间特征包含非线性信息而不利于最近邻法分类．基于径向基函数（radial basis function,RBF）分类器可以将非线性可分问题转化为线性可分问题的特点,提出了利用LPP子空间和RBF网络相结合进行人脸识别的方法,LPP算法采用监督模式,RBF网络隐层中心采用正交最小二乘（orthogonal least—squares,OLS）法训练．实验结果表明,该方法在Yale—B和Yale—B Extended人脸数据库上的识别率为95．67％,在CMU—PIE人脸数据库上的识别率为98．52％,具有较好的抗噪能力,识别效果优于特征脸、Fisher脸以及拉普拉斯脸法．     

Numerical surface characterization of wear debris from artificial joints using atomic force microscopy

Study on surface features of wear particles generated in wear process provides an insight into the progress of material failure of artificial joints. It is very important to quantify the surface features of wear particles in three dimensions. In this study, a new approach using atomic force microscopy was proposed to carry out 3D numerical surface characterization of wear debris generated from artificial joints. Atomic force microscopy combined with image processing techniques was used to acquire appropriate 3D images of wear debris. Computerized image analysis techniques were then used to quantify surface texture features of wear debris such as surface roughness parameters and surface texture index. The method developed from the present study was found to be feasible to quantity the surface characterization of nanoand micro-sized wear debris generated from artificial joints.     

基于点云特征提取的薄壁文物碎片配对研究

针对考古发掘现场堆积在一起的陶瓷碎片难以修复拼接，以及薄壁碎片断裂面特征难以提取的问题，提出了一种综合碎片点云多种特征提取与粗糙集模型进行约简分类的方法。该方法先采用最小半径移动球和三维中心滤波圆弧拟合的方法，分别获取碎片边缘和内部几何特征，再结合颜色纹理及材质等特征要素，通过决策表约简分类为文物碎片重建匹配提供条件。与现有依赖对象单一特征的配对方法不同，本方法在碎片存在磨损甚至缺失等情形下，能将混杂在一起的隶属于多器物薄壁文物碎片进行有效分类配对。