基于特征层融合与BP神经网络的人脸表情识别研究

针对图像处理中人脸表情识别率不高的问题,提出了一种基于特征层融合和神经网络的人脸表情识别方法。利用PCA对原图像进行特征降维处理得到维数较低的表情图像特征,再从粗到细策略对特征进行融合,最后采用神经网络的BP反向传播算法对训练集和验证集经多次迭代后训练好人脸表情模型。将收集到的表情数据进行实验仿真对比表明:本文提出方法与常用的分类算法相比,人脸表情识别率在本文提到的表情数据库上取得更好的效果。     

基于语义关联性特征融合的大数据挖掘方法

提出一种基于语义关联性特征融合的大数据挖掘算法.对云存储大数据分布式信息流进行高维相空间重构,在重构的相空间中提取大数据的语义关联维特征量,以提取的特征量为测试集进行自适应学习训练.采用模糊C均值算法进行大数据语义关联特征的稀疏性融合和聚类处理,在聚类中心实现对挖掘目标数据的指向性聚敛,输出数据挖掘结果,并采用特征压缩器进行降维处理,降低计算开销.仿真结果表明,采用该方法进行大数据挖掘的特征提取准确性较好,挖掘数据的聚类能力较强,在实时性和准确性方面具有优势.     

军民深度融合中民企“参军”的路径优化——基于交易费用经济学视阈

运用交易费用理论优化民企在军民深度融合中的路径。研究提议:构建"四位一体化"的军民融合信用评估体系、搭建标准化的军民"对话"机制、完善准入和退出市场机制,探索"军民一家亲"的关系契约模式,以期降低交易费用,提高交易效率,为"民参军"寻找新制度经济学下的理论建议,同时拓宽新制度经济学的研究范围。     

结合最陡下降算法的室内 NLOS场景下TDOA/AOA融合算法

在利用传统Chan算法进行目标节点位置估算的基础上,提出了一种结合最陡下降算法SDA(Steepest Descent Algorithm)的TDOA(Time Difference of Arrival)/AOA(Angle of Arrival)融合算法,通过迭代消除由NLOS(Non Line of Sight)误差引起的误差因子,达到有效提高定位精度的目的.实验结果表明:本文提出的结合SDA的TDOA/AOA融合算法在复杂的室内环境下可以有效提高定位精度和定位稳定性,相对于传统的基于Chan算法的TDOA/AOA定位算法,定位精度提高28%.     

自适应融合的长期目标跟踪算法

为了完成复杂场景中的长期视觉跟踪任务,解决尺度变化、外观变化和跟踪失败等问题,提出了一种双模型融合的长期跟踪算法.首先,将稀疏核相关滤波模型和颜色模型得到的跟踪响应进行自适应融合,构成更具鲁棒性的跟踪结果;然后,利用响应最大值来判断目标跟踪是否成功,并通过随机抽样学习用于在跟踪失败情况下重新检测目标的CUR滤波器,实现长期跟踪.在大规模基准数据集上的实验结果表明,算法在效率、准确性和鲁棒性方面优于现有相关跟踪算法.     

基于ATM网络数据交换和融合的研究

互联网技术的发展带来信息传递速度加快的同时也带来了网络拥堵的问题,互联网带宽资源流畅度与互联网用户数量呈反比。基于此,ATM技术是一种采用异步传输模式的高速信元交换技术,通过集成模型和重叠模型来实现对Internet网的改造。仿真结果表明, IP技术和ATM网络数据交换技术是互补的,ATM的优点在于其可以通过提供高带宽和QOS业务质量,以期提高用户体验。     

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.     

基于WT-MB方法的OLI图像融合——以宁夏回族自治区吴忠市的OLI图像和P5图像为例

为解决Landsat 8 OLI多光谱图像和CBERS-04 P5全色图像的融合问题,设计了一种基于WT-MB变换的融合方法;以宁夏回族自治区吴忠市的图像融合为案例,从定量评价、目视判读评价和SVM分类精度评价3个方面比较WT-MB变换方法与GS、PCA、MLT、Brovey变换方法的融合效果,然后以总体精度和Kappa系数评判融合图像的分类精度.实验结果表明:WT-MB变换方法在增强融合OLI图像的空间结构信息的同时,更有效地保持原OLI图像的光谱信息,提高了图像分类精度,能够更准确地服务于环境遥感监测.     

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%.