基于功率谱估计和神经网络的脑-机接口研究

脑-机接口是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统。利用功率谱和神经网络对不同意识任务的脑电信号进行分类。首先对脑电信号进行预处理和基于MUSIC算法的功率谱,提取脑电信号功率谱值作为特征,然后利用LVQ网络对两类不同意识任务进行分类。仿真试验表明,该方法取得了很好的分类效果,而且分类速度非常快。     

基于自适应遗传算法的脑电信号特征选择

针对脑机接口(BCI)研究中脑电信号的特征选择问题,本文提出了一种自适应的遗传算法(AGA).它与标准遗传算法(SGA)的区别在于对交叉和变异概率进行自适应选择.在SGA中,采用固定的交叉和变异概率,因而容易造成早熟和局部收敛; 而AGA对两种概率的自适应选择保留了种群的多样性,并且有利于全局收敛.为检验提出方法的有效性,将其与基于SGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明AGA的分类精度明显高于其它方法,获得了最好的模式识别性能.     

基于多域特征与随机子空间集成的脑电分类

针对脑机接口(Brain-Computer Interface,BCI)中脑电信号预处理、特征提取、分类识别等过程,提出一种基于多域特征的随机子空间集成方法实现运动想象脑电分类。该方法的基本思想是通过事件相关同步/事件相关去同步特性分析,提取出最佳时频段的多域特征作为特征向量,结合交叉验证自适应地选择特征随机子空间的集成规模,集成线性判别分析分类器实现脑电信号分类。实验结果表明,多域特征和随机子空间集成分类正确率可达90.71%、Kappa系数可达0.63,均优于BCI竞赛第一名成绩,从而证明了该算法在脑电分类中的有效性和实用性。     

基于异质能力的分类与混同锦标竞赛比较研究

比较研究了考虑能力异质特征的分类和混同锦标竞赛.通过建立博弈模型分别描述在高能力者之间的分类竞赛、低能力者之间的分类竞赛以及高能力者和低能力者之间的混同竞赛,求解得到奖励强度和保障强度两种因子,参赛者的努力水平和期望收益,以及委托人的期望利润等.研究发现:应该根据参与者的能力状况制定和调整锦标竞赛的奖励强度和保障强度;高能力者更希望参与混同竞赛去与低能力者竞赛,因为可以获得更高收益;低能力者并不关心竞争对手的能力高低,因为都只能获得保留收益;与混同竞赛相比,委托人通过分类竞赛可以得到更高期望利润.在企事业单位薪资晋级和体育竞技比赛等不同领域的应用表明,这些研究是基础性的因而可以广泛应用.     

相干斑噪声背景下的SAR图像分类方法研究

研究了相干斑噪声抑制对合成孔径雷达 (SAR)图像分类的影响。分别采用Kuan自适应滤波和小波变换软门限滤波两种方法进行了相干斑噪声抑制 ;对于SAR图像的分类则采用了图像的灰度以及基于灰度级共生矩阵的 4种纹理特征 ,并利用最大似然分类器进行了监督分类。处理结果表明 ,相干斑噪声的抑制尽管可以提高SAR图像的质量 ,但是由于在相干斑噪声得到抑制的同时 ,地物的固有结构信息也受到损失 ,因此分类精度提高甚微 ,在某些情况下甚至有所下降。针对这种情况 ,提出了一种改进的特征提取方法 ,将基于原图像的灰度级共生矩阵提取的纹理特征与滤波后图像的灰度特征进行组合用于分类。实验结果表明 ,改进的特征提取方法提高了SAR图像的分类精度。     

采用支持向量机的指纹图像分割

提出了一种采用支持向量机分类的指纹图像分割方法。将指纹图像分块,并根据图像块的对比度特征进行初分割,以去除灰度变化较小的白背景块,对剩下的图像块提取方向偏差和频率偏差,并根据对比度、方向偏差和频率偏差三个特征分割出特征明显的前景块和背景块,采用支持向量机将经前两次分割不能判决的图像块分为前景和前景两类;采用形态学方法进行后处理以减少分割错误;为计算频率偏差,提出了一种新的频率计算方法。在FVC指纹库上对算法进行仿真实验,结果证明了方法的有效性。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

基于三维注意力与混合卷积的高光谱图像分类

针对现有高光谱图像分类模型在特征提取的过程中有效特征关注缺乏的问题,提出了一种基于三维卷积注意力与混合卷积的高光谱图像分类方法。该方法使用三维卷积和二维卷积串联完成对高光谱图像空谱特征的提取,并在三维卷积阶段引入注意力机制,使得模型在提取底层空谱特征的同时实现对有效特征的关注和激活。相对于传统三维卷积模型,提出的分类模型减小了运算复杂度,提升了模型噪声抑制能力,提高了分类效果。针对该方法的消融实验证明了提出的三维卷积注意力机制的有效性,在印第安松树林和帕维亚大学两个公开数据集上与其他5种分类模型的对比实验中取得了最优的分类精度。     

基于树型小波和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声 ,传统的方法不能很好地对SAR图像进行分类。为了能对SAR进行精确分类 ,将图像的灰度和纹理特征 ,空域和频域特征相结合 ,提出了一种新的SAR图像分类方法。该方法采用由树型小波中频纹理能量特征、灰度共生矩阵特征、树型小波滤波后的灰度组成的特征矢量对SAR图像进行分类。实验结果分析表明 ,该方法是一种有效的SAR图像分类方法。     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

一种组合类别信息的非负矩阵分解方法及其应用

基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA).     

基于小波变换和神经网络的水下宽带回波分类

目标识别是水下信息处理系统的主要任务之一,针对此问题,从目标识别的三个基本环节研究了水下宽带回波的分类。首先基于连续小波变换提取了实测莱蒙湖底回波的尺度———小波能量谱,以径向基函数作为分类器,得到了很好的分类效果。接着给出了三种选择特征的准则,并研究了这三种准则对分类效果的影响,结果表明,这三种方法都可以在保证分类准确度的同时有效降低特征维数。     

局部学习半监督多类分类机

半监督多类分类问题是机器学习和模式识别领域中的一个研究热点, 目前大多数多类分类算法是将问题分解成若干个二类分类问题来求解. 提出两种类标号表示方法来避免多个二类分类问题的求解, 一种是单位圆类标号表示方法, 一种是二进制序列类标号表示方法, 并利用局部学习在二类分类问题中的良好学习特性, 提出基于局部学习的半监督多类分类机. 实验结果证明采用了基于局部学习的半监督多类分类机错分率更小, 稳定性更高.     

虚拟样机技术的技术与方法体系研究

虚拟样机技术是以虚拟样机为核心、仿真为手段、各种CAx/DFx为工具的一种数字化设计方法和手段。提出一种虚拟样机技术的技术与方法体系,它包括虚拟样机、基于虚拟样机的仿真技术、针对虚拟样机的管理技术、各种实用工具的集成技术和人机界面技术。分别论述了各种技术和方法的主要内容,包括虚拟样机的定义、特性和建模方法,多领域、多学科仿真的类型、方法和基本特征,虚拟样机的管理技术,以及各种工具的总体集成框架和方法。     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能,需对其进行有效分类,以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题,提出了基于改进的局部保持投影的备件分类方法。首先,根据战时备件分类储备的影响因素,作为备件分类的特征指标,其次,利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维,得到低维特征向量。再利用支持向量机（support vector machine,SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优,提升备件分类精度,得到满足备件分类准确率最优时的降维维数和分类器参数。最后,通过对演习装备备件分类的实例分析,验证了模型的可行性和合理性,并对比分析了其他分类方法,表明该方法能够较好地解决战时备件分类的问题。     

模糊SOFM网分类方法及其在农业中的应用

将模糊理论和自组织特征映射（ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍ ａｐ， ＳＯＦＭ）网络相结合，构造出一种新的分类模型——模糊ＳＯＦＭ 模型．模糊ＳＯＦＭ 模型既利用了模糊理论解决不确定性问题的特性，又利用自组织映射特征网络具有较强的自学习、自适应能力、容错能力和模式识别能力的优点．能非常好地解决模糊或不确定系统中的多对象在多指标下的分类问题．实例结果表明用模糊ＳＯＦＭ 分类方法进行分类具有稳定、结果可靠等特点．     

SOFMNN分类方法及其在农业生态系统 退化分类上的应用

给出了一种自组织特征映射神经网络的分类方法，该方法具有自学习、自适应功能，它不同于传统的分类方法，在分类之前不必确定分类对象指标的权重等需要人为确定的量，只要输入分类对象指标的原始数据，就可以得到分类结果，应用十分方便。我们将该方法用于农业生态系统退化分类评价中，取得了满意的结果。图2，表1，参3。     

基于多级分类的极化SAR图像斑点抑制

针对极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）图像相干斑抑制后的目标极化特性和结构特征保持问题,给出了一种多级分类的极化SAR图像斑点抑制方法。首先利用H/α快速分解法并结合极化总功率图像进行初分类,之后采用最小距离准则和聚合的层次聚类方法进行细分类,最后根据图像结构将图像内容分为亮点线目标、暗线目标和其他目标三大类,利用线性最小均方滤波器对暗线目标和非点线目标进行滤波。采用美国AIRSAR机载系统获取的实测数据进行实验,结果表明,与Lee的基于散射模型降斑算法相比,本文算法不仅能够更有效地抑制斑点噪声,而且在保持极化特性、结构和纹理特征方面更为有效。     

武器系统的模糊聚类方法

提出用模糊聚类的方法对武器进行分类,并以１０种战斗机为例说明使用该方法的步骤,进而讨论如何利用分类结果找出某一类最有代表性的武器品种,以及对敌对双方的作战实力进行评价的问题     

双谱vs零相位谱

在基于距离像的识别中,双谱和零相位谱都是保留了相位信息的平移不变特征,但零相位谱的特征维数要远低于双谱,而识别性能也低于双谱。经过分析指出双谱识别性能优于零相位谱的主要原因在于频谱的幅度通过相乘得到了加权;然后给出了三种特征加权方法:幂法、频谱幅度加权以及基于Fisher判决率的加权方法;最后将Fisher判决率加权和幂变换法结合起来对零相位谱进行加权,获得了识别性能优于双谱,而特征维数远低于双谱的加权零相位谱,基于仿真数据的试验验证了结论的正确性。