基于深度图像HOG特征的实时手势识别方法

手势识别是模式识别领域的一个热点研究方向。提出了一种利用Kinect传感器深度图像进行手势分割的方法,并研究了基于灰度图像HOG特征的手势识别模型;深入研究了HOG特征,分析其特征向量特点,探讨了不同特征维数对训练机的影响及处理效率;通过SVM机器学习方法实现手势的分类识别,经过对大量实验样本的优化训练,获得了最优SVM参数,并进行分析、对比识别率。本文方法维数少、识别率高、运行速度快、性能稳定,能满足实时性手势识别的要求。     

基于时序-BP网络的齿轮故障诊断方法及应用

提出了一种基于时序和反向传播网络(Back-Propagation Network,BP)相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,利用时序模型提取齿轮不同状态的特征,并以其自回归参数组成特征向量作为BP网络分类器的输入进行网络训练,从而实现了对齿轮正常、裂纹和局部点蚀的状态识别与诊断.结果表明,基于时序-BP网络结合的方法对于多故障分类和检测是一种非常有效的诊断手段.     

基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

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。     

基于辅助模态监督训练的情绪识别神经网络

为了解决多模态数据中数据样本不平衡的问题,利用资源丰富的文本模态知识对资源贫乏的声学模态建模,构建一种利用辅助模态间相似度监督训练的情绪识别神经网络。首先,使用以双向门控单元为核心的神经网络结构,分别学习文本与音频模态的初始特征向量;其次,使用SoftMax函数进行情绪识别预测,同时使用一个全连接层生成2个模态对应的目标特征向量;最后,利用该目标特征向量计算彼此之间的相似度辅助监督训练,提升情绪识别的性能。结果表明,该神经网络可以在IEMOCAP数据集上进行情绪4分类,实现了82.6%的加权准确率和81.3%的不加权准确率。研究结果为人工智能多模态领域的情绪识别以及辅助建模提供了参考依据。     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

基于小波包分析和SVM的在线手写签名鉴别

针对在线手写签名难以提取有效特征的实际情况,提出用小波包分解和单支重构来构造能量特征向量的方法,直接利用各频段成分能量的变化来反映签名的动态特征。给出了衡量各特征识别能力的Fisher准则,并且基于该准则剔除了识别能力差的特征,优化了特征空间。用该方法构造的特征向量能突出反映签名的动态特征。然后采用SVM对签名进行识别。实验证明:采用本文方法识别的正确率高达99.38%,错误拒绝率FRR=0.25%,错误接受率FAR=1.0%,其性能令人满意。     

提高波阻抗分辨率的分形方法

设想波阻抗剖面具有“自相似”分形结构，我们利用分形插值方法和其他已有信息，例如测并曲线，求得刻划该波阻抗剖面的分形插值函数．经对原始剖面分形重构后，获得具有更多细节的高分辨率波阻抗剖面．其中如何获得分形插值参数的关键问题，本文给出四种数学方法．实际计算表明重构的波阻抗剖面比原剖面更好地反映了地下构造情况     

基于ＬＭＤ－１（１／２）维谱熵－Ｅｌｍａｎ神经网络输电线路短路故障识别理论与方法

针对电力系统输电线路故障时短路电流的暂态特征,采用LMD对相模变换后的短路电流进行分解,得到一系列PF分量,然后计算前8个PF分量的1(1/2)维谱熵值作为特征向量,最后将构造的特征向量输入到已训练好的Elman神经网络中进行故障类型识别,并在Matlab平台上建立仿真模型.仿真结果表明,采用的方法能够快速准确地判断出故障类型和故障相;与传统BP网络相比,该方法具有更快的识别速度、更高的识别率,并且识别结果不受过渡电阻、故障位置、相差角等线路参数的影响,因而,实用、有效.     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

神经网络方法确定玛北油田岩性油藏含油边界

用常规方法确定岩性油藏含油边界需要一定的井孔资料,导致勘探成本较高,为此引入神经网络方法。先对地震资料进行解释,提取地震特性参数,与已知井的试油结果一起组成神经网络的学习样本集,经训练并绘制测线剖面或平面图,最终确定出含油边界。应用该方法对准噶尔盆地玛北油田二叠系乌尔禾组和三叠系百口泉组油藏进行了含油边界的确定,结果表明,用该方法可以直观地在剖面图上确定油藏的含油边界,这样确定的含油边界能够满足储量计算的要求,且该方法较传统方法有很大的优越性。     

神经网络方法确定玛北油田岩性油藏含油边界

用常规方法确定岩性油藏含油边界需要一定的井孔资料，导致勘探成本较高，为此引入神经网络方法。先对地震资料进行解释，提取地震特性参数，与已知井的试油结果一起组成神经网络的学习样本集，经训练并绘制测线剖面或平面图，最终确定出含油边界。应用该方法对准噶尔盆地玛北油田二叠系乌尔禾组和三叠系百口泉组油藏进行了含油边界的确定，结果表明，用该方法可以直观地在剖面图上确定油藏的含油边界，这样确定的含油边界能够满足储量计算的要求，且该方法较传统方法有很大的优越性。     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于神经网络的多参数矿井火灾识别方法

针对矿井火灾早期预测预报研究了新的方法,将矿井火灾图像与温度、烟雾、CO、CO2、O2等多个参数相结合,进行综合分析,对矿井火灾进行判断。依据神经网络建立的数学模型,采用神经网络的学习算法,对矿井火灾进行识别。通过仿真分析结果表明,矿井火灾正确识别率很高,特别是采用RBF神经网络,正确识别率达到98%以上,从而为神经网络实际用于矿井火灾识别成为可能,该方对矿井火灾早期预测预报具有重要的理论意义和实用价值。     

基于神经网络的开关磁阻电机转子位置在线检测技术

提出了一种基于BP神经网络的开关磁阻电机转子位置在线检测方法。该方法将训练数据实时更新的思想引入到神经网络的输入向量中,利用大量实时更新的电机数据作为神经蹰络的训练样本在网络进行在线训练,修正网络参数,使检测结果不受渐变因素的影响。仿真结果表明,该方法能够准确地检测转子位置,鲁棒性和适应性强。     

基于RBF神经网络预测方法的碱渣土工程特性分析

为了缓解纯碱行业生产快速发展与碱渣贮放的矛盾,国内碱厂主要采用贮渣池加高作为解决手段.对待建碱渣坝土样的工程特性进行预测分析,能够为坝体的后续加固加高提供科学依据.碱渣土具有复杂的物理力学性质,应用优化识别预测方法能够更好地揭示数据中各指标间的非线性关系,因此采用RBF神经网络的数据拟合能力,建立碱渣土工程特性的预测模型.通过工程算例的应用效果表明,RBF神经网络具有可调参数少、网络性能稳定和预测精度高等优点,分析了输入样本数目和宽度向量对RBF神经网络预测性能的影响,可为碱渣土工程特性的初步预测分析提供有效的决策依据.     

基于小波包和Elman神经网络的异步电机转子断条故障诊断方法

提出了一种基于小波包分析(WPA)和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明:基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于BP神经网络的西洋参等级分类方法研究

以西洋参外观图像为基础数据源,从形状、颜色、纹理3方面入手提取表征等级差异显著的特征向量,构造输入数据集.基于BP神经网络采用经验法与枚举实验法相结合构建参数合理的等级分类模型.从收敛标准、自适应步长等方面对传统算法进行改进.进一步提高了分类精准度及实时性,实验结果显示,基于传统BP神经网络所构建的等级评判模型识别率达83.67%,改进后识别率达90.82%,且收敛速度较快.