基于分组的多级随机数RFID标签并行识别算法

为了提高大规模RFID系统中的被动标签识别率,在分析已有基于帧时隙ALOHA标签识别算法的基础上,结合分组算法和多级随机数算法的思想,将多级随机数分别部署在不同组的标签中,使用动态帧时隙ALOHA算法框架,提出基于分组的多级随机数并行识别算法框架,推导出多级随机数适时选择机制的计算公式。针对并行识别过程中的负载不均衡问题,提出了3种负载均衡策略及其形式化描述,设计了与之相应的3种算法并进行了性能分析和仿真。结果表明,所提算法可以有效地将部分非成功时隙转化为成功时隙,提高了标签识别率、标签识别速度和时隙利用率:平均识别率均在70%以上,最高可达76.77%;标签识别速度较单随机数的算法提高了66%;时隙利用率达51.02%,约为单随机数算法的2倍。所提算法具有并行、高效、轻量等特点,适用于大规模被动式RFID系统的应用场合。     

独立子空间下的草图人脸合成与识别

基于草图的人脸识别对于公安机关通过目击者描述出的犯罪嫌疑人草图来确定疑犯的身份具有重要的意义.为实现草图人脸识别,从人脸独立特征子空间和人脸形状结构特征出发,提出了一种新的草图人脸合成和识别方法.根据人脸图像在独立分量子空间上的重建,研究了基于独立成分分析(ICA)的草图人脸合成,实现了照片草图人脸转换;针对人脸结构信息在人脸识别中的重要作用,在分析主动形状模型(ASM)算法在提取人脸结构信息上所具有的局限性的基础上,提出了极坐标形状模型(PSM);最后,将合成的草图与待识别草图利用ICA/线性鉴别分别(LDA)和极坐标形状模型进行联合识别.实验结果表明,提出的算法可以有效地将照片转换为草图,并具有较好的识别率,1阶识别率达到94.7%,10阶达到99.1%,将子空间投影与极坐标形状模型联合起来识别,1阶识别率可提高5.3%,前3阶识别率平均提高约4.2%.算法较好的识别率基本上满足了自动草图识别系统的要求.     

基于信息熵的局部二值模式手指静脉识别

为进一步提升手指静脉识别算法的识别率与识别速度,在图像处理阶段,提取出手指图像的感兴趣区域(region of Interest, ROI),减少手指周围区域的干扰。为提升识别率,在局部二值模式 (local binary patterns, LBP)的基础上,引入像素邻域之间的关系,增强LBP的识别性能;然后将信息熵与改进型LBP结合得到新的ELBP特征,最后采用主成分分析(principal component analysis,PCA)降维,以减少识别时间,去除冗余特征。通过对比欧氏距离与曼哈顿距离构建的分类器,与其他主流特征比较,验证算法的识别性能。在SDUMLA数据库与天津市智能实验室采集指静脉图像数据库上,保证了算法的识别速度前提下,分别取得了99.53%、99.84%的识别率,与其他识别算法相比识别率有明显的提高。     

基于BP神经网络的竹片正反面识别算法

针对竹片自动检测领域中竹片正反面识别率低的问题,提出基于BP神经网络的竹片正反面识别算法,构建并训练一个三层的3输入1输出的BP神经网络模型;提取竹片的2个纹理特征和灰度值特征值,输入经过训练的神经网络模型,计算预测的识别结果。实验结果表明:基于BP神经网络的竹片正反面识别算法在最小风险的原则下的反面识别率为97%;正面的识别率为98%;稳定性明显高于单一特征识别的稳定性。     

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。     

结合主成分分析法的可拓神经网络三维荧光光谱的分类识别研究

提出了结合主成分分析法(PCA)的可拓神经网络算法,并且将其应用于柴油、煤油、汽油的三维荧光光谱分类识别中。实验结果表明,相比传统的BP神经网络算法,该算法迭代数下降了80步,识别率由89%提高到93%,体现了结合算法的高识别率和高效性。     

印刷体简谱的实时识别

论述用图象处理机实现印刷体简谱识别并通过IBM-PC微机演唱的方法。基于TMS32020图象处理机的高速运算能力及简捷有效的识别办法,实现了单张及多张乐谱的连续实时识别和演奏。     

物联网终端智能识别系统设计与实现

终端智能识别是物联网应用的关键技术,是物联网安全体系构建的基础。针对物联网终端智能识别问题,建立了一种以设备指纹为动态特征标识的物联网终端智能识别实验系统。该系统由终端检测模块、模型训练模块以及智能识别模块构成,其中,终端检测模块利用Nmap工具扫描并自动采集设备指纹;模型训练模块分别利用决策树、逻辑回归与朴素贝叶斯等机器学习算法训练分类器;智能识别模块接收识别任务并调用前2模块完成设备指纹采集与分类识别处理。实验结果表明,决策树分类器在整体数据集上的平均识别率为98.1%,对于是否是物联网设备的判断识别率为98.7%,对于具体设备类型的识别率为98.2%,均保持较高识别水准,且优于其余2种算法识别器。因此,采用设备指纹与决策树算法结合识别物联网设备是可行的。     

联合空谱信息和Gabor特征的高光谱人脸识别算法

提出一种采用高光谱图像的人脸识别算法.根据人脸肤色在可见光范围内的光谱特征进行波段选择并依据人脸结构特征,对选定波段的灰度图像进行Gabor特征提取.最后分别进行特征层上的融合识别和决策层上的融合识别.特征层融合的权重系数由反射率和正确识别率共同决定,决策层融合算法采用"最高票当选制"原则.利用香港理工大学的高光谱人脸数据库对进行验证.结果证明,本文算法在识别速度和正确识别率方面都得到了显著改善,在3幅训练样本情况下,正确识别率达到96.5%.相对于全波段参与识别,识别速度提高了约3倍.      

基于BPSO与神经网络的实时P2P协议识别算法

针对互联网中P2P协议以及加密协议无法使用传统方法进行识别的问题,提出一种新的基于会话流统计特征的网络协议识别算法。采用二进制粒子群算法(BPSO)定量选出最能体现不同协议区别的特征子集;并针对BP(Back Propagation)神经网络结构难以确定、易陷入局部极小值等缺陷进行分析,使用粒子群算法对BP神经网络进行优化以提高识别率。实验结果表明:该方法能够有效地从多种网络特征属性中选出最能体现不同协议区别的特征子集,且对于基于UDP协议的网络应用也有较高识别率,经优化后的BP神经网络具有更高识别率。该算法对常见的P2P协议平均识别率达到96%,且能够实时地对网络协议进行识别。     

神经网络在引信智能信息处理中应用的研究

介绍了应用神经网络进行引信智能信息处理的探索性研究。采用BP算法建立了无监督特征提取的图象识别系统,包括三层网络自动联想机与两层网络信息提取器,实现了对输入图象的训练、记忆与分类。研究结果表明该方法技术可行,在一定程度上体现了信息处理的智能性。     

用 TMS320C31 实时实现电话语音识别系统

描述了一个新型实时声控用户交换机语音接口的设计和实现。该系统使用数字信号处理器ＴＭＳ３２０Ｃ３１开发板在ＰＣ机ＷＩＮＤＯＷ平台下实现了与人无关连续命令语音识别,完成拨号、进行电话交换。系统使用少量控制词加上连续数字串构成了电话用户交换系统的常用命令语句,并生成相应识别文法网络（语言模型）。识别采用改进的令牌传递式Ｖｉｔｅｒｂｉ算法。研究中还开发识别系统拒识算法,在无拒识情况下命令语句中数字识别率为９８％以上,数字串（串长＜４）识别率达到９１％以上,通过加入拒识算法,字符串识别率可达９５％以上。     

改进的小波变换HMM语音识别算法

语音识别系统的识别率十分依赖基于Hidden Markov Models(HMM)模型的训练技术.然而,经典的训练算法(Baum-Welch算法)有一个致命的缺陷,即所得最终解依赖于初始值的选取,只得局部最优解,这就影响了系统的最终识别率.针对传统语音识别系统识别率较低的现状,提出了一种改进的小波变换HMM语音识别算法.该算法首先通过小波变换对原始语音信号进行了降噪处理,然后使用语音样本对利用遗传算法改进后的HMM模型进行训练,并用于语音识别.实验结果表明:所提出的算法实用有效,识别率显著提高.     

基于FPGA的说话人识别系统设计与实现

针对当前基于DSP等硬核处理器的嵌入式说话人识别系统存在训练和辨认时间较长的问题,提出一种基于FPGA平台与矢量量化原理的说话人识别系统实现方案.在采用遗传算法进行矢量量化的说话人识别的系统中,该方案实现的硬件并行运算结构可大大减少求适应度的耗时.经测试,该实现方案在保证识别率前提下,可有效提高训练与识别速度.     

基于DSR系统的嵌入式语音拨号系统设计

采用分布武语音识别(DSR)模式来设计和实现手机的语音拨号系统：在手机端进行特征参数的提取,然后通过无线信道传输到服务器端进行识别与训练,最后把结果送回到手机端。通过试验发现,该语音拨号系统识别率在90％以上,并且大大提高了语音质量和识别的速度。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

大词汇量环境噪声下的多模态视听语音识别方法

视听语音识别(Audio-Visual Speech Recognition,AVSR)技术利用唇读和语音识别(Audio-Visual Speech Recognition,AVSR)的关联性和互补性可有效提高字符识别准确率。针对唇读的识别率远低于语音识别、语音信号易受噪声破坏、现有的视听语音识别方法在大词汇量环境噪声中的识别率大幅降低等问题,本文提出一种多模态视听语音识别(Multi-modality Audio-Visual Speech Recognition,MAVSR)方法。该方法基于自注意力机制构建双流前端编码模型,引入模态控制器解决环境噪声下音频模态占据主导地位而导致的各模态识别性能不均衡问题,提高识别稳定性与鲁棒性,构建基于一维卷积的多模态特征融合网络,解决音视频数据异构问题,提升音视频模态间的关联性与互补性。与现有主流方法对比,在仅音频、仅视频、音视频融合3种任务下,该方法的识别准确率提升7.58%以上。     

基于MBC和POEM特征的人脸识别方法

针对人脸识别中单一特征难以取得理想效果的问题,提出了基于MBC和POEM特征融合的人脸识别方法.首先,在归一化的人脸图像上提取MBC编码图和POEM编码图,在每个编码图块上生成特征向量,应用线性判别分析对特征向量进行低维映射,并对其进行赋权相加得到最终相似度.所提算法在FERET的Dup1,Dup2,Fb和Fc 4个测试库上取得了较高的识别率,分别为93.77%,90.60%,99.58%和99.49%;在误识率为0.1%的条件下,在4个测试库上的认证率分别为95.70%,92.31%,99.75%和100%,进一步验证了该方法的有效性.