基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。     

基于多尺度熵和动态时间规整的步态身份识别

针对现有人体步态身份识别算法单一、准确率较低的问题,提出了一种基于多尺度熵和动态时间规整（DTW,dynamic time warping）的人体步态身份识别方法。采用自制的APP软件在较低采样率下采集人体步行加速度数据,实验中共采集50名志愿者的正常行走加速度数据,使用多尺度熵算法进行数据处理,得到在各个尺度下的熵值,最后采用DTW算法对多尺度熵值进行特征匹配,得到的相对错误率（EER,equal error rate）为13.7%,仿真结果表明基于多尺度熵和DTW算法相结合的方法较好提高了身份识别的准确率,为人体步态身份识别提供了一个新的思路。     

基于声源定位的头部姿态检测系统研究与实现

研究了声源定位技术在鼾声检测上的应用,主要研究鼾声的声学特性、声源定位技术原理,并利用声源定位技术对人体打鼾时头部姿态进行识别.采用广义互相关函数法对多路声音采集系统采集到的鼾声信号进行延迟估计计算,根据得到的相对时延信息进行声音定位,结合定位信息和朝向信息推断出当前受试者打鼾时头部姿态.采用数据采集卡进行高速信号采集,使用虚拟仪器Labview进行信号处理和算法实现,实验中受试者以不同头部姿态在该系统监测下模拟打鼾,通过该系统检测头部姿态,综合判断正确率达到80%.     

基于HTK的佤语特定人孤立词语音识别

佤语是云南省西南部的一种跨境语言,构建佤语语音识别系统对国家安全、跨境文化交流和经济贸易都有着重要的意义.基于HTK平台,针对1 860个佤语常用词进行特定人孤立词语音识别.语音语料来源为录音棚和田野录音,语音规模录音棚男性2人、女性2人,田野录音男性3人、女性2人,每人每个词发音5遍,总的语料数量为83 700条.实验结果表明,对于上述的语料,进行的基于HTK的佤语特定人孤立词语音识别正确率在92%以上.     

基于模式识别的电力设备评级管理系统设计

结合电力系统设备数量多、规格多、差别大的特点,提出了基于模糊控制理论的模式识别电力设备评级管理方式,以此来解决在设备管理过程中的随机性和不确定性问题,人为因素大大减少,并用Visual C++编程,设计了设备的评级支持软件.     

协同虚拟维修过程中的虚拟人体维修操作控制

针对操作人员难以在有限的光学运动捕捉设备捕捉范围内自由运动的问题,开展了协同虚拟维修过程中的虚拟人体维修操作控制研究。基于光学运动捕捉设备对操作人员的下肢动作进行捕捉,根据实时识别结果控制虚拟人体进行大范围运动。针对维修操作过程中的虚拟人体手部运动控制,分析了虚拟人体的手部交互过程,提出了一种基于动态贝叶斯网络的维修操作智能辅助方法。以某液压缸协同式虚拟维修操作仿真平台为例验证了方法的有效性。该方法实现了对虚拟人体维修操作过程的有效控制,具有实时性好、交互性与感知性强等优点。     

一种由三角模所诱导的粗糙集间的相似性度量方法

给出两粗糙集间一种新的相似度计算方法,并将其应用到模糊模式识别问题中,通过算例说明这种方法的可行性和有效性.     

基于时间序列分析的独居老人活动量研究

为解决独居老人日常生活的监护问题, 提出一种基于时间序列分析与模糊模式识别的独居老人活动量研究方法。该方法将独居老人的日常活动量作为对独居老人生活状况监测的有效指标, 并利用时间序列分析对活动量时间序列建立预测模型, 利用模糊模式识别法鉴别活动量监测值与活动量预测值之间的差距, 当两者之间的差距超过正常范围时, 将预警信息反映给老人的监护人, 以便监护人对老人的生活状态是否异常予以关注。实验结果表明, 该方法对老人异常状态的识别准确率为96. 97%。从而为老人生活状况的研究提供了一种新的方法和途径。     

模糊模式识别中隶属函数选取的探讨

通过数值实例,论证了利用最大隶属度原则对三角形类型模糊模式识别时隶属函数选取的优越性,并提出了一种给定阈值且以三角形内角和差关系作为底数变量和指数变量的指数型隶属函数.