一种新的基于DCT变换的人脸表征

DCT变换是一种与KL变换非常相似的次最优变换算法.由于它独立于信号量,并且在维数下降、特征提取方面都非常接近经典的KL变换算法,因此DCT变换已经适用于模式识别领域.文章针对人脸图像,基于DCT变换,提出了一种融合整体DCT变换和分块加权DCT变换提取人脸图像的整体特征系数和局部特征系数,用于人脸表征的新方法.实验结果表明,本方法无论是在识别率还是在时间性能方面都优于传统的KL变换.     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

基于动态加权Monte Carlo方法的频率分配

无线规划中的频率分配可以近似认为是一种NP完备性问题,而模拟退火方法是一种解决此类问题的通用随机优化方法.有关研究提出一种动态加权Monte Carlo方法,并成功的应用到旅行商问题和神经网络训练,从而用于解决无线规划中的频率分配问题,获得了满意的效果,结果表明该方法优于模拟退火方法.     

Bayes网络学习及其在文本检测中的应用研究

针对大规模Bayes网络的条件概率赋值问题,提出一种学习方法．首先使用类层次结构定义一种新的层次Bayes网络模型,用于表示大规模Bayes网络．然后将训练数据集由单个数据表的形式转化成多表数据库,其中每个数据库表对应1个Bayes网络模块．在此基础上导出条件概率计算公式,从每个数据库表中算出相应的Bayes网络模块的条件概率表,由此实现对整个层次Bayes网络的概率赋值．可通过适当增加数据库表的数目来控制每个表中属性的个数,保证计算的可行性．最后将本层次Bayes网络及计算公式用于解决图像中文本的自动检测与定位问题,实验结果表明了它们的有效性．     

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。     

基于主分量分析的形状特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效的方法,可以将数据从高维数据空间变换到低维特征空间,因而可以用于数据的特征提取及压缩等方面。在该文的形状识别系统中,用PCA法提取图像的形状特征,能够较好地满足识别层的输入要求。在识别层研究了3种识别方法:最近邻法则、BP网络及协同神经网络方法,均取得了满意的实验效果。     

一种基于模拟退火的特征层融合模式识别实现方法

文章提出一种特征层融合模式识别的方法,定义"融合特征"和"特征融合系数"实现模式的特征融合。使用模拟退火算法搜索最佳的"特征融合系数",从而提高模式识别的正确性,降低分类决策的模糊性。特征层融合的交通标志形状识别实验和数字字符识别实验均表明:该方法具有以上两方面的优点。     

基于可信度的TOF相机三维点云球覆盖网格重建

文章提出了一种基于可信度的球覆盖网格重建方法。该方法首先通过TOF相机信号幅值和获取的三维点云信息可信度的关系,利用可信度PCA算法提取出点云的法向矢量;然后根据二次误差函数拟合方法生成一个保持点云特征的球体集;最后通过球体之间的相交关系,构造出三角形网格曲面。实验结果表明,文中方法可以较好地重建出TOF相机三维点云网格曲面。