基于重复训练提高SVM识别率的算法

持向量机 (supportvectormachine ,SVM)作为一种新的模式识别算法 ,在许多模式识别问题上表现出了良好的识别性能和推广能力。和其它模式识别方法一样 ,如何进一步提高识别率一直是研究的热点。通过分析SVM的分类机理 ,提出了一种基于重复训练的SVM算法。该算法以较小的训练代价 ,通过提高支持向量在样本中的比例 ,提高了SVM的识别性能。基于重复训练的SVM算法为提高识别率提供了一种新的思路 ,也为SVM算法的自学习奠定了基础。     

英文光学字符识别的后处理

总结了英文光学字符识别 (OCR)系统中的常见错误类型 ,论证了使用拼写检查技术发现错误的可能性 .以最相似单词替换OCR的错误输出 ,从而达到改正错误的目的 .利用编辑距离实现词汇相似性评估 ,并用动态规划技术优化了编辑距离的计算 .试验结果证明该方法可以使OCR系统的单词识别率提高 6 2 5 % .     

基于VQ的说话人识别系统的实现

系统以语音信号的LPC倒谱系数、差值倒谱系数、基音周期和差值基音周期的混合特征参数作为识别的特征矢量集,运用矢量量化(VQ)技术实现了与文本有关的说话人识别。在一个10人,1800个语音的语音库上进行了系统的识别实验,其中单音节语音的平均识别率达到了92%,双音节语音达到了96.67%,四音节语音达到了97.67%。系统用于实时识别也收到了较好的效果。     

基于改进MMI的HMM训练算法及其在面部表情识别中的应用

提出一种改进的最大互信息(MMI)准则函数并把它应用于隐马尔可夫模型(HMM)的参数估计,重新推导了HMM的迭代公式. 该准则函数相对于原来准则函数定义更为合理,能有效利用训练样本集中的鉴别信息,使得训练数据得到充分利用,提高了HMM的性能. 把这种改进的HMM算法应用于面部表情识别,利用改进的光流算法提取面部表情特征向量序列,并利用改进HMM算法和BP神经网络构建了面部表情混合分类器. 实验结果表明了该方法能有效提高面部表情识别率,有效解决HMM参数估计问题.     

基于二值图像层次识别字符特征的融合算法

针对图像二值化过程中,阈值选择不当容易造成字符笔画粗细方向的偏差,从而影响统计特征的问题,提出了一种基于二值图像层次识别字符的融合算法.该算法采用神经网络作为分类器,充分利用字符图像中点阵、特征线和霍夫矩等各组特征向量的互补作用,以提升识别系统的性能.实验结果表明:该融合算法的识别率可达97%以上,平均运行时间小于50 ms,能够满足车牌识别系统实时要求.     

BP神经网络在电子鼻分类识别多品牌白酒中的应用研究

由于MQ3、MQ4、TGS813、TGS2620 4个金属氧化物半导体组成的气体传感器阵列对酒精气体及有机物交叉敏感,据此建立实时数据采集系统,并提出稳态特征值和动态特征值的提取方法,进而结合BP神经网络识别方法,通过所建立的电子鼻系统对3种不同品牌白酒进行了分类识别实验.结果表明:电子鼻系统对不同品牌白酒的识别率稳态特征时达90.0%,动态特征时达83.3%.     

电子鼻分析方法在白酒分类识别中的应用

利用酒精气体及有机物交叉敏感的4个金属氧化物半导体传感器组成气体传感器阵列,建立了实时数据采集系统,提出了稳态及动态特征值提取的方法,并结合主成分分析法(PCA),用所建立的电子鼻系统对3种白酒进行了分类识别实验.结果表明:它对不同品牌白酒的稳态特征识别率达90.0%,动态特征识别率达86.6%.     

基于数字结构的中长跑比赛自动计圈技术研究

为了识别号码布图像中的三个数字,基于数字结构特征建立了数字0～9的Fisher线性判别模型.基于图像处理从号码布图像中提取数字二值图像.用直线切割数字区域获取切割区域特征和切割线特征简单、稳定、不重复,可以代表数字的基本形状,对数字的区分度较好.Bayes判别分析结果表明:所建模型经内部验证对数字0～9的识别率达100%.基于数字的结构识别运动员号码是可行的,为研制中长跑自动计圈系统提供了方法.     

基于LLE和PCA的人脸识别算法研究

用PCA算法对非线性结构的高维数据(如人脸图像)进行降维,会破坏其局部结构信息.而采用LLE算法对其进行降维,又会保留大量的冗余信息,并且算法不具有可扩展性,从而达不到预期的降维效果.为了克服PCA算法和LLE算法的这些缺点,我们提出将LLE算法与PCA算法以及径向基神经网络相结合的LPR算法,并将该算法分别与LLE算法和PCA算法进行实验比较.结果表明,LPR算法在保证较高识别率的同时,大大提高了算法效率.     

基于EMD法的语音信号特征提取方法研究

为了提高语音信号的识别率,提出了一种基于经验模态分解(EMD)法的语音信号特征参数提取方法。该方法先对语音信号进行EMD分解,获得其内模函数;再进行FFT和DCT变换,得到特征分量,以此构成语音信号新特征参数。最后采用高斯混合模型(GMM)进行说话人语音识别,实验表明新特征参数取得了较好的识别率。