基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

基于粗糙集支持向量机的空袭目标识别

为提高对空袭目标的识别能力,提出了一种基于粗糙集支持向量机的空袭目标识别方法.该模型用RS方法构建SVM数据处理系统的前置系统,充分利用RS理论在处理大数据量,消除冗余信息等方面的优势,减少了SVM训练数据,克服了SVM算法因为数据量太大而导致处理速度慢的缺点.根据分类识别的要求,在RS-SVM两类分类算法的基础上,建...     

基于目标结构特征像的SVM目标识别方法

针对支持向量(SVM)对目标高分辨一维距离像(HRRP)识别率和稳定性不高的问题,研究将目标分解理论推广应用于对目标极化散射矩阵的分解,求得了目标结构特征像.在分析研究SVM的训练和测试方法的基础上,采用SVM通过结构特征像对两实验目标进行分类识别,结果表明,基于目标结构特征像的SVM目标识别方法能够提高目标正确识别率,且其稳定性较好.该方法是一种有效的目标识别方法.     

基于层次方法和PCA特征变换的宫颈细胞识别

对宫颈细胞多分类,可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法实验后,选取支持向量机（SVM）作为基分类器,先用一对一策略（one- versus -one）训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。又考虑不同层特征模式的差异性,在保证识别性能同时,每层分类前先采用主成分分析（PCA）法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次PCA法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

人脸特征定位在油库安全监控中的应用研究

人脸特征定位是人脸检测与识别中的重点与难点,也是研究的热点;而油库安全是油库各项工作的首位,是油库建设和发展的“生命线”,通过人脸检测进行个人身份识别是消除人为不安全因素,保证油库安全的有效措施。在此背景下提出了一种基于人脸图像的对人脸特征进行定位以及提取轮廓的方法,这种方法可以提高人脸特征检测的效率。并把这种方法应用到油库安全监控中,提出了系统的原理与设计,来达到保障油库安全的目的。     

支持向量机的OTHR多频特征目标分类识别法

针对低信噪比下多频法在天波超视距雷达(Over-The-Horizon Radar,OTHR)目标分类识别中分类精度不高的缺点,充分利用雷达量测的一些先验信息,将基于支持向量机(Support Vector Machine,SVM)的多分类器引入多频法中,提出了一种基于SVM的OTHR多频特征目标分类识别方法。仿真结果表明,利用较少的3个频率点,在信噪比较低的条件下可获得较好的分类识别效果,说明了该方法在OTHR目标分类识别中的有效性和可行性。     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

迭代优化SVM网络流量分类技术研究

针对传统SVM分类方法训练速度较慢的特点,提出了一种新的迭代调谐方法。该方法通过对SVM分类方法的参数进行迭代化以提高它的训练速度。从NetFlow数据中提取流层面信息进行流量分类的实验结果表明:迭代优化SVM分类的训练速度比传统8种SVM分类方法更快,同时保持和其他8种分类方法近乎相同的分类精度。     

一种应用于超大数据库的人脸识别方法

针对数据库中待识别人脸数目巨大，计算困难的问题，提出了一种基于小波变换和主成分分析的人脸识别方法。该方法首先对数据库中的人脸进行小波变换，然后对小波变换后的图像进行主成分分析提取特征，将特征送入BP神经网络进行训练、识别。经过对比实验，结果表明：该方法可以在保证较高识别率的前提下，大大降低数据维数，从而该方法可以应用于超大数据库的人脸识别。     

红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装、防欺诈等优点,这使得红外图像人脸识别可在很大程度上弥补可见光人脸识别技术的缺陷和不足,是今后人脸识别研究的一个重要方向。在深入分析红外人脸图像特性的基础上,研究了红外图像人脸识别的特点,并提出了一种新的红外图像统计人脸识别方法。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。     

一种新的Gabor小波支持向量机人脸识别算法

提出了一种新的基于Gabor小波特征重组的支持向量机人脸识别方法。该方法首先计算5个尺度和8个方向的Gabor小波变换结果,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个新特征矩阵,分别利用PCA方法降维去噪,最后构造40个支持向量机分类器并采用选票决策机制决定识别结果。实验结果表明,该方法不仅拓宽了主元分析法中累积方差贡献率可选范围,并在一定程度上解决了核参数选择难的问题,同时取得了理想识别效果。     

基于ICA的多姿态人脸表示

将独立成分分析(ICA)应用于多姿态人脸识别。对比分析了ICA和主成分分析(PCA)两种人脸识别方法的差异,并重点研究了多姿态人脸的独立成分(IC)表示。在基于权向量幅值的方法基础上,引入了基于比例因子的IC核选择的新方法。实验表明,新方法有利于提高识别的准确率和识别的效率。     

多特征空间下的支持向量机及其在图像识别中的应用

分别在主成分分析(PCA)、独立成分分析(ICA)和线性鉴别分析(LDA)所构造的特征空间下用模糊支持向量机(FSVM)进行人脸识别。同时,提出了一种改进的FSVM方法,即利用FSVM和多叉决策树相结合的思想来设计人脸分类器,从而使FSVM分类器的速度得到了大幅度的提高。通过在ORL人脸库上的实验结果表明,该算法是有效的。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点,提出了基于信号线谱特征的主成分分析(PCA)特征选择方法,其优点是从复杂的目标信号中提取目标的特有信息,降低了目标特征维数.将此方法用于实录的三类水下目标数据,采用BP神经网络对目标进行识别分类,仿真结果说明了所提出的方法的正确性和有效性.     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

基于ANN模式识别的某型导弹测试车配电系统故障诊断

人工神经网络诊断特点与基于模式识别的诊断特点非常相似。将ANN模式识别技术应用于某型导弹测试车配电系统故障诊断。根据测试车配电系统的故障特点,设计ANN为4层BP网络,具有9个输入、10个输出,两个隐含层神经元数目分别为9和6。测试结果表明该方法能有效诊断测试车配电系统故障。