基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

协同虚拟维修过程中的虚拟人体维修操作控制

针对操作人员难以在有限的光学运动捕捉设备捕捉范围内自由运动的问题,开展了协同虚拟维修过程中的虚拟人体维修操作控制研究。基于光学运动捕捉设备对操作人员的下肢动作进行捕捉,根据实时识别结果控制虚拟人体进行大范围运动。针对维修操作过程中的虚拟人体手部运动控制,分析了虚拟人体的手部交互过程,提出了一种基于动态贝叶斯网络的维修操作智能辅助方法。以某液压缸协同式虚拟维修操作仿真平台为例验证了方法的有效性。该方法实现了对虚拟人体维修操作过程的有效控制,具有实时性好、交互性与感知性强等优点。     

HTK参数对普米语孤立词识别率的影响

普米语是一种无文字的少数民族语言,目前已处于濒危状态,建立语音语料库及开展语音识别研究是保护和传承普米语的重要手段.基于HTK的语音识别中,参数的选取对不同语言的识别率有很大的影响.针对MFCC维数、HMM状态数及GMM个数这3个参数对普米语的识别率进行研究,结果表明:普米语语音识别的最佳MFCC维数为13维,最佳HMM状态数为8个,最佳GMM个数为3个.     

快速和尺度稳健的纹理图像识别

传统的纹理图像识别方法很难同时获得较好的识别精度、实时性和尺度稳健性,不利于实际的工程应用.因此,提出一种快速和尺度稳健的纹理图像识别方法.该方法首先利用高斯滤波构造一个纹理图像的多尺度空间,然后利用完备的局部二值计数(Completed Local Binary Count,CLBC)算法对多尺度空间中的每个图像提取局部二值特征,并跨尺度提取局部二值特征的最大值,再将多个分辨率的特征相结合作为纹理图像的最终特征描述,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)判定纹理图像的类别.在基准纹理图像数据库上的实验表明,该方法在识别精度、实时性和尺度稳健性方面获得了很好的综合性能,有利于实际的工程应用.     

基于模式识别方法的湖泊水质污染特征聚类研究

构建耦合自组织映射神经网络(SOFM)和随机森林(RF)的方法, 对中国63个湖泊11年的9种水质指标(5110条数据)进行模式识别。首先采用SOFM对湖泊进行聚类, 以识别污染状况, 然后采用RF分析水质指标对湖泊类别的决定效果, 以确定代表性指标。SOFM的结果显示, 湖泊可以按污染程度分为3类。RF的结果发现, 在分类准确率为80%时, 根据高锰酸盐指数和叶绿素a浓度即可判定湖泊污染程度。该方法可从庞杂的数据中识别出反映水体污染特征的水质指标, 为快速认知水体污染状况及选取监测指标提供参考。     

一种深度自编码器面部表情识别新方法

为解决面部表情特征维度高的问题,该文提出了一种基于深度学习自编码器的表情识别新方法,该方法利用深度自编码器在多层隐层上进行特征选择,能够在较低维度上表示高维度的面部特征.首先采用定向梯度直方图从面部表情的选定区域提取特征,然后在多个层面上使用深度自编码器,得到最优编码特征,降低特征维度,最后使用支持向量机模型对降维特征进行分类.实验表明,与其他现有特征选择和降维技术相比,该文方法提取的特征优于其他特征,并能够有效实现面部表情识别.     

基于灰度图像二维Gabor滤波的目标识别

提出了一种基于灰度图像的Gabor滤波器识别方法.该方法首先采用Gabor小波滤波器组处理灰度目标图像,并在此基础上采用主元分析法(PCA)提取图像特征,然后结合支持向量(SVM)方法将区域内图像匹配问题转化为分类问题来识别目标物体.仿真实验结果表明,该算法能使移动机器人达到92%以上的识别率,并可满足约8 fps的实时图像处理要求.     

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%.      

基于CNN-CRF的中文电子病历命名实体识别研究

智慧医疗技术的发展让我们不满足仅使用传统方法做医学研究。针对中文电子病历实体识别问题,设计了一种基于卷积神经网络结合条件随机场(convolutional neural network-conditional random field,CNN-CRF)的实体识别算法框架。为得到高质量的词向量,将标注实体加入词典进行分词,并将已标注和未标注文本作为语料,用word2vec工具对已分词文本进行无监督学习;为避免扩张卷积层数增加导致过拟合,采用迭代扩张卷积处理输入向量,并使用dropout随机丢弃一些连接;运用条件随机场对网络的分类结果进行修正。把该方法在中文电子病历上进行对比试验,从病历中提取出身体部位,疾病,症状,检查及治疗5类实体。实验结果表明,该方法能有效地辨别病历中的实体,其识别的准确率、召回率和f1值分别为90.01%,90.62%,90.31%,准确率和速率比传统方法都有一定提高。