粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

2D-Haar声学特征超向量快速生成方法

针对大数据量音频的高速处理,提出一种快速的声学特征超向量生成方法,有效提高音频识别系统的识别速度和精度.所提方法首先将多个连续音频帧的常用声学特征构成声学特征图,进而使用低复杂度的运算方法在其中快速提取维数达数十万的Haar-like声学特征;然后使用AdaBoost.MH算法,筛选出具有较高代表性的Haar-like声学特征模式组合,用以构成声学特征超向量;进而提出Random AdaBoost特征筛选方法,进一步提高特征筛选速度.实验结果表明,在音频事件识别、说话人识别、说话人性别识别3种场合下,使用Haar-like声学特征可以使SVM、C5.0、AdaBoost等识别算法获得比MFCC、PLP、LPCC等常用声学特征更高的识别准确率,同时可以获得7~20倍的训练速度提升和5~10倍的识别速度提升.      

一种新型的与文本相关的说话人识别方法研究

在与文本相关的说话人识别研究中,既要包含说话人身份的识别,又要包含语音文本内容的识别.提出一种基于语音识别的与文本相关的说话人识别方法,从而建立说话人的声纹模型和语音文本模型,与传统的仅建立一种模型的方法相比,该方法能更精确地描述说话人身份信息和语音的文本信息,较好地解决了短时语音样本识别效果不佳的问题.测试实验表明,和传统与文本相关的说话人识别方法(如基于动态时间规整、高斯混合-通用背景模型)相比,由本方法建立的系统虚警概率降低了8.9%,识别性能得到了提高.     

基于Asterisk的语音识别技术研究和实现

本文简要地分析了当前呼叫中心中传统IVR系统存在的问题,介绍了语音识别技术在呼叫中心的作用,阐述了利用Asterisk的拨号方案和AGI接口开发语音识别功能的原理,最后给出了在AGI程序中调用语音识别引擎实现呼入用户语音信息识别的过程.     

基于改进微结构特征的笔迹鉴别

该文作者已提出的基于网格微结构特征的笔迹鉴别方法,是一种能适用于多文种笔迹的文本无关方法。为了对笔画轨迹进行更加细致的描述,该文对微结构特征提取方法予以改进,修改了局部微结构的生成条件,并引入了加权Manhattan距离的相似度度量方法。改进方法在中文笔迹库上有效提高了鉴别正确率。在包含240人的HIT-MW笔迹库上,首选鉴别正确率为95.4%,前20选正确率达到100%。通过实验,进一步研究了实际应用中笔迹样本的文本内容相关度对鉴别性能的影响程度。     

智能排污系统中的模糊决策

按照近似假言推理预测模糊蕴涵关系，根据择近规则确定模糊对象与模糊模式之间的关系，系统采用逼近算法控制排污阀的开闭。     

智能多媒体内容理解若干关键技术研究

让计算机具有象人睛一样的视觉功能是广大人工智能研究者,特别是从事模式识别与计算机视觉研究领域的学者追求的目标,也是多年来该领域的热门研究课题.但由于其难度较大,很多问题还在探索中.针对该领域存在的一些问题,结合一些应用领域的迫切需求,厦门大学智能多媒体技术实验室从2005年开始从事多媒体内容理解领域的关键技术研究,先后在行人检测、人体行为识别、基于视觉的人体亚健康分析、图像自动标注与检索等领域开展了相关研究.主要针对上述几方面的研究工作,分别介绍国内外的发展情况、我们的研究进展以及未来的工作展望,以便给读者提供相关的参考借鉴.     

多重ANN/HMM混合模型在时序模式识别中的应用

针对样本集上样本之间存在较大差异的问题,提出了基于人工神经网络的隐马尔可夫（多重ANN/HMM）混合模型的思想,每重子模型能够自动聚合差异性较小的样本,最终各个子模型通过竞争的方式优胜的子模型作为该模型的最终结果.     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

Selective impairment in recognizing the familiarity of self faces in schizophrenia

The concept of self is a fundamental characteristic of the human mind,and the alteration of self is thought to be a core deficit of schizophrenia.Previous studies have demonstrated that patients with schizophrenia are deficient in self-face recognition.Because self faces are not only self-related but also highly familiar,it is unclear whether such deficit arises from the breakdown of the self-awareness or the failure of recognizing the familiarity of self faces.Here we directly tested these two alternatives by instructing patients with schizophrenia to recognize the identity of a morphed face created by blending face features between any of two identities from the self face,a familiar face,and a novel face.We found that there was no association between the recognition of the self and the recognition of the familiarity,suggesting these two component processes are independent in schizophrenia.Further,patients with schizophrenia were significantly worse in recognizing the familiarity of faces than normal participants,whereas no difference in the sense of self was found between the two groups.Taken together,our finding suggests that it is the sense of familiarity,not the sense of self,that is selectively impaired in self-face recognition in schizophrenia.Thus,our study challenges the hypothesis that the deficit in self-face recognition in schizophrenia reflects the breakdown of self-awareness.