属性识别理论模型在土壤肥力综合评价中的应用

土壤肥力受到自然因素和人为因素的双重影响,而且评价指标数据集较大属于高维数据,因此对其进行客观的综合评价显得非常困难。运用属性识别理论模型和层次分析法对土壤肥力综合评价进行了研究,结果与模糊综合评价模型的评价结果相一致。运用层次分析法确定评价指标权重系数,避免了权重确定的主观性,同时该模型计算简单,适应于有评价标准的质量评价问题。表3,参12。     

基于K-L变换的网络调制识别方法

针对BP网络进行通信信号调制样式识别的场合,在输入层和输出层节点数确定的条件下,提出在网络训练完成后应用K-L变换方法确定网络隐含层的节点数,对网络结构进行优化。利用K-L变换的正交性,去除了网络结构的冗余,给出了该算法的理论推导和具体应用步骤,通过仿真验证了算法的有效性和顽健性。利用BPSK、QPSK、16QAM等数字调制信号,选取了三个特征量,分别用优化前后的网络进行调制识别,实验表明优化前后网络的识别性能基本一致。     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

基于形状描述直方图的声呐图像目标识别算法

针对水下声呐图像目标检测与识别问题,在图像规格化条件下,定义了几种不同的形状描述子,并统计计算描述子直方图,定义了几种不同的直方图匹配测度函数用以计算直方图间的相似性。分析了算法中关键参数的选取问题。仿真结果表明,基于该算法的识别率可达到98%以上,具有较强的不变性和鲁棒性。通过进一步信息融合算法可快速准确地实现水下声呐图像目标识别,具有较强的应用价值。     

企业生命周期视角下的内部控制与公司绩效

内部控制的经济后果一直都是实务界和学术界关注的焦点。以2008~2012年沪深两市非金融类上市公司数据为依据,从企业发展的动态角度探讨在生命周期的不同阶段内部控制质量对公司绩效的影响。研究结果表明:成熟期的公司内部控制质量最高,衰退期的公司内部控制质量最低;在企业生命周期的不同阶段,内部控制质量对公司绩效的影响存在差异,成长期内部控制质量对公司绩效影响不显著,成熟期和衰退期内部控制质量与公司绩效表现出显著正相关,从相关系数来看,衰退阶段的公司内部控制质量对绩效的影响较大。     

基于区域形状的静脉图像特征提取与匹配

为了准确地对人的身份进行识别,提出了一种基于区域形状的静脉图像特征提取与匹配算法.静脉图像经预处理后得到二值图像,该算法首先对二值图像进行细化处理,得到了静脉的骨架信息;然后,标注4连通区域并寻找到与连通区域相连接的端点与交叉点;再利用最小距离法将连通区域的边缘逼近成若干条线段,将线段角度作为特征;最后,利用改进的最长公共子序列算法,进行了局部区域匹配,并利用改进的豪斯多夫距离算法进行整幅图像的匹配.实验表明,该算法获得的图像特征具有较高的区分度,识别效果受采集静脉图像中信息缺失的影响较小,正确识别率可达到96%以上.     

基于多级分类器的自由手写数字在线识别

设计了一种用于手写字符在线识别的多级分类器模型。在该模型中,通过对四个独立的分类算法进行集成,将脱机方法与联机方法,神经网络方法与传统方法有机地结合起来构成一个完整的手写字符在线识别系统。理论分析和实验结果表明,该集成系统比单一系统具有明显的优越性。     

基于灰度图像二维Gabor滤波的目标识别

提出了一种基于灰度图像的Gabor滤波器识别方法.该方法首先采用Gabor小波滤波器组处理灰度目标图像,并在此基础上采用主元分析法(PCA)提取图像特征,然后结合支持向量(SVM)方法将区域内图像匹配问题转化为分类问题来识别目标物体.仿真实验结果表明,该算法能使移动机器人达到92%以上的识别率,并可满足约8 fps的实时图像处理要求.     

浅议神经网络在水下目标识别中的应用

本文在现有的人工声纳听音识别技术的基础上,提出了基于神经网络的水下目标识别方法,重点阐述了BP神经网络分类原理以及在目标识别,特别是在水下目标识别时的应用方法。     

苎麻和棉纤维自动识别研究

基于纤维纵向表面条纹的图像处理分析,本文介绍了一种新的方法用于实现苎麻和棉纤维种类识别。首先,利用LoG（Laplacian of Gaussian）和细化算法提取了纤维表面条纹;其次,沿着弯曲的纤维的骨架线将纤维表面条纹进行投影,同时提取6个用于纤维种类识别的特征参数;再次,根据最大概率原理,在特征参数的概率分布曲线基础上建立用于识别的公式;最后,利用自适应识别测试确定识别公式中的权重系数。大量识别试验表明,利用该方法对苎麻和棉纤维的自动识别错误率低于7％。