基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别.最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

基于双控法弦支穹顶伺服施工过程非线性分析

基于结构几何非线性有限元法,推导了弦支穹顶结构施工过程的非线性有限元分析格式,同时针对索撑节点摩阻力对结构的真实影响,分析了索撑节点摩阻力对结构非线性刚度矩阵形成的修正算法,进而提出了可考虑索撑节点摩阻力的基于对外形和索力双控的伺服施工过程方法,并编制了相应算法.该算法可实现对施工过程的外形和预拉力的双重控制,且施工成形终态可最大精度地获取设计态所需的结构位形和索力.实例分析结果验证了该方法的可行性和精度.该方法对于采用张拉环索法施工的弦支穹顶结构具有一定的普适性.     

基于核Fisher判别分析的粮虫特征压缩方法

针对粮仓害虫种类多、类别之间相似度比较高的特点,提出基于核Fisher判别分析的粮虫特征压缩方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核Fisher判别分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从粮虫分类效果方面,将KFDA法与FDA法、PCA法和KPCA法3种方法进行了比较分析.应用KFDA法提取的前4个特征,由最近邻分类器对粮仓中常见的9类粮虫进行分类,验证集的识别率为93.33%.结果表明:KFDA法对粮虫特征的非线性比较敏感,在有效降低特征维数的同时,还提高了类别之间的可分性.     

基于卷积神经网络的连续语音识别

在语音识别中,卷积神经网络( convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络( deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸。本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比。在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强。     

改进的决策树算法在手写体汉字识别中的应用

介绍脱机手写体汉字识别的基本流程,以传统决策树ID3模型为基础,对决策属性挑选策略进行改进.该方法基于信息增益的计算标准,通过引入属性间相关性关系对传统ID3算法“多值偏向性”的缺陷进行补偿,提出节点协调度的预剪枝策略.从分类精确度方面对改进的ID3算法和传统D3算法进行比较和分析.将改进的ID3算法应用于手写体汉字识...     

工程图形扫描图像中的尺寸字符提取与识别

给出了一种提取与识别工程图形扫描图像中的尺寸字符的方法,提出了几种简便、易于抽取的字符结构特征,能有效地识别工程图形扫描图像中的手写字符.该方法已成功地应用到工程图形扫描输入后的智能识别软件CIRS5.0中,字符提取及识别率达到92%以上.     

二聚雌二醇分子钳的合成及分子识别性能的研究

通过二亚甲基苯和二亚甲基吡啶桥联两发了子雌二醇,而得到一类新型的钳型分子受体,经ＭＳ,ＩＲ,＾ＨＮＭＲ及元素分析确证了其结构,利用分光光谱滴定法考察基分子识别性能,结果表明,该类分子钳（ｍｏｌｅｃｕｌａｒｔｗｅｅｇｅｒ）可识别芳胺及其衍生物。     

基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

基于第一原理的实用故障诊断算法

根据基于第一的多故障诊断理论,针对具有固定测量点的连续物理系统,提出一种实用诊断算法,算法分３步：（１）根据系统的结构和测量点分布等不变知识,离线识别最小冲突集候选;（２）测量数据,在线确定最小冲突集合组;（３）由系统的部集合组求出诊断集,算法可大大节省时间资源,便于实时故障诊断。     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.