关键词： 人脸识别   小波网络   集成学习   特征融合   模糊逻辑   模式识别  

摘要： 随着信息科技的不断发展以及大数据时代的逐步推进,人脸识别技术作为近些年较为火热的研究方向,结合了机器学习、模式识别、深度学习等热门学科,获得各界科研工作者的重点关注。目前,我们的生活中用到人脸识别的场景有很多,其识别算法更是不胜枚举,各有所长。其中,以神经网络为代表的人脸识别算法凭借优良的性能应用广泛,并取得了显著的成效。而小波神经网络作为其中一种,因其具有良好小波分析知识的支撑,更是获得了科研界的认可。本论文聚焦于小波神经网络的人脸识别算法研究,并从特征提取、分类辨识、集成学习、参数优化等多个角度来考虑,进行融合与创新。从而提供更好的特征学习与识别能力,最终获得更好的结果。首先,论文的第一章先对本文所研究内容的背景等进行了简单概述,接着从神经网络及人脸识别两方面入手,介绍了其发展基础、应用及研究现状。进而分析并讨论了在现阶段人脸识别技术面临的问题与挑战,并给出了内容的章节安排。随后,论文的第二章主要是基于小波神经网络的人脸方向识别研究。由于小波网络有一定的小波分析知识的支撑且在图像处理方面有着广泛的应用,因此,我们采用了小波网络作为分类器进行识别,并对网络的隐含层进行了简单的改进与创新,采用了其他不同的几种方法进行了对比分析,最终结果也证明了小波网络的优势所在。接着,论文的第三章给出了一种基于集成学习的人脸识别方法。考虑到单一的特征提取与识别方式中存在着提取特征不完备与辨识结果不准确的问题,因此,我们结合多种特征提取和分类集成技术,通过构造多视图的方式,并在决策级结合投票集成的思想,提出一种基于集成学习的识别方法。接下来,论文的第四章提出了一种基于特征融合及LM算法的模糊小波网络并应用于人脸情绪识别中。在特征提取阶段,从人脸图像的时域和频域两个方面分别提取特征并加以整合,以得到更完善的数据信息。在训练识别阶段,将小波网络嵌入到模糊网络中以此来构成模糊小波网络进行分类,并通过优化分类器来提升模型的最终辨识效率与准确性。最后,论文的第五章对于本文中的内容进行了总结及展望。

关键词： 出行模式识别   数据挖掘   轨迹信息   轨迹分类  

摘要： 移动智能设备与定位设备的普及,使得各种轨迹数据信息开始得到应用。为对轨迹数据价值展开深度挖掘,确保可以为民众提供更加优质的服务,以轨迹信息为基础的出行模式识别技术开始出现。通过对轨迹数据挖掘、轨迹相关技术以及轨迹分类系统设计与实现三部分内容的阐述,对基于轨迹信息的出行模式识别方式展开全面分析,期望能够为国内出行模式识别技术发展提供一些理论支持。

关键词： Gabor小波特征   前车检测识别   模式识别  

摘要： 随着我国国民经济的高速发展,对交通运输的各种需求明显增长,车辆安全问题面临巨大挑战,加强对智能交通系统的研究至关重要.在智能交通系统中,基于视频的检测跟踪系统具有易于安装、工作稳定、实现无人监控的特点.本文主要研究基于Gabor小波特征对前方车辆的进行识别,从而获取车辆目标,目标的识别和分类、目标的位置测量,从而实现在各种交通工具监视中应用的车辆检测识别技术.

关键词： 机器学习   图象处理软件  

ISBN: (纸本)9787302538158

摘要： 本书首先介绍环境设置, 讲解图像处理的基本术语, 并探究有助于实现书中算法的Python概念。然后详细介绍所有的核心图像处理算法, 接着介绍计算机视觉库OpenCV, 你将了解OpenCV算法及其在图像处理中的应用。最后介绍用于图像处理与分类的机器学习和深度学习的高级方法, 将神经网络、Adaboost、XGBoost、卷积神经网络等概念运用到具体的图像应用中。

关键词： 描述统计分析   降维可视化   分类算法   小波去噪   模型融合  

摘要： 近年来,有关脑电波的研究越来越火热,随着数据挖掘和人工智能的发展,对于脑电波数据的利用也越来越深入。现如今脑电波可以在医疗领域帮助医生诊断脑部疾病,还可以制造通过脑电波控制的仪器方便残疾人士,也可以利用脑电波做测谎仪来审问犯人。本文利用脑电波来识别人眼处于睁眼还是闭眼的状态。为了更好的了解整个数据,本文首先对数据进行了描述性的统计分析,并且基于此查看数据的分布情况,查看数据是否存在空值与异常值,由于异常值对于模型的结果具有很大的影响,因此我们直接将其剔除。为了更加直观的观察整个数据集,我们对数据进行了可视化处理,包括探究每个变量的时序图、变量之间的相关关系,同时使用TSNE和PCA两种方法对数据进行降维而后可视化。此后,我们使用包括SVM、KNN、决策树、随机森林、GBDT和XGBoost在内的六种分类算法对数据进行分类,并且利用CV交叉验证的方式对每个模型进行参数寻优。脑电波数据属于一种信号数据,现实生活中的信号往往都伴随有噪声,本文利用小波去噪来对数据进行处理,并且对比处理前和处理后的数据对模型结果是否有显著的影响。结果发现,数据中含有噪声对模型的结果具有一定的影响,使用去噪后的数据训练模型,模型结果会有明显的提升。在这里我们使用AUC作为主要的判别指标,在上述模型中进行模型结果的对比,表现最好的模型为SVM,AUC的值高达0.9924,其次是KNN,其AUC的值高达0.9900。本文同时讨论了模型融合对于模型结果的提升,分别使用了stacking、blending和投票法三种模型融合的方式,结果表明,stacking模型融合的效果最好。

关键词： 近红外光谱   模式识别   偏最小二乘回归   支持向量回归  

摘要： 在模式识别技术近些年的迅猛发展中,它在农业检测中的使用范围也慢慢广泛,国内外已在水分、蛋白质、多糖、脂肪的检测等方面都做了大量的研究,但在环磷酸腺苷(cAMP)检测方面还未见有报告。本文讲述了红枣近红外光谱信号定量检测的科研价值和该技术在我国和其他国家的研究状况,并针对红枣近红外光谱信号的特点,实验验证使用PLS回归与SVR算法对红枣近红外光谱识别实现快速检测cAMP含量的准确度和稳定性。本文主要研究工作如下:1、提出将近红外光谱技术(NIR)应用于红枣中cAMP含量检测问题上,并用联合区间最小二乘回归(SiPLS)法去减少PLS回归算法因光谱数据特征维数高而所耗的较长建模时间。实验分别用全光谱区间和部分光谱区间建立定量模型,结果显示最优模型的预测值与实测值能达到相关系数为0.8946、均方根误差为26.3277(mg/kg)。结果证明PLS回归模型预测值与化学实测值有较好的相关系数,表明了基于近红外光谱检测技术在cAMP含量检测方面有着很大的应用价值。2、针对提高近红外光谱定量模型的预测精度,探究支持向量机回归(SVR)算法在近红外光谱检测技术中的应用,选用基于联合X-Y距离的样本集划分法(SPXY)选择校正样本集,以常规化学分析方法测定的cAMP的含量为参考值,建立了红枣的近红外光谱定量分析模型。并且在预测性能方面对比了PLS回归模型,其结果SPXY-SVR模型的决定系数为0.9388、均方根误差为13.0739(mg/kg),表明SVR算法能够更好地对cAMP定量预测。本文的实验结果表明,近红外光谱技术能够应用在cAMP含量的检测上,且SPXY-SVR算法在优化参数后能够在预测红枣cAMP含量上得到较为满意的准确度和稳定性,为开发出一种新的、快速便捷的cAMP含量检测方法提供了实验依据。

关键词： Vague集   模糊熵   相似度量   聚类分析   模式识别  

摘要： 近年来,随着信息系统的发展,Vague集的模糊熵及在聚类分析中的研究受到到国内外学者的高度关注。1993年,Gau和Buehrer提出了处理模糊信息的理论——Vague集理论,这个理论实质上是对Fuzzy集理论的扩展。本文基于已有的几种Vague集模糊熵尤其是基于距离的模糊熵的思想,在对Vague集的模糊熵的公理化定义及约束条件理解的基础上,提出了改进的基于面积Vague集模糊熵,并通过对改进的Vague熵方法的证明和实验数据的分析,探讨了改进后的Vague熵对不同数据的区分能力及模糊程度等问题,在此基础上,将改进的Vague熵应用到聚类分析中,通过具体实例分析给出合理结果,主要内容如下:首先,介绍了Vague集、模糊熵及聚类分析的相关理论,即Vague集的定义、运算以及性质等,依据Vague集的模糊熵的公理化定义及约束条件,在此基础上分析、比较了已有的几种Vague集模糊熵方法。其次,针对现有Vague集模糊熵对不同数据的区分能力不足等缺点,将距离刻画Vague集模糊熵延伸到面积度量上,提出了一种新的基于面积的Vague熵,并将其推广至体积及n维空间。在理论上对其完备性进行了证明。实例对比分析表明新的熵公式较好解决了基于距离的Vague熵不能直观的体现其模糊程度的缺点,具有较好的有效性和合理性。最后,由于聚类分析问题存在不确定性,将Vague集理论与聚类分析的问题相结合,使得聚类分析问题的解决更加合理、有效。本文选取了改进的基于面积的Vague熵的相似度量方法作为聚类分析问题中建立相似矩阵的依据,通过对基于Vague集理论的聚类分析算法的分析,可知构建相似矩阵是其重要过程,且直接影响后续的分类结果,本文将提出的改进的Vague熵应用于传统聚类以及Q型聚类的相似度量的构建中并应用于模式识别等具体实例中,通过比较得到基于面积Vague熵的聚类分析比传统聚类、Q型聚类及模式识别更能得到合理有效的分类结果。

关键词： 柔性传感器   下肢运动测量   水陆复杂环境   关节角度   模式识别  

摘要： 近年来,随着社会人口老龄化加剧,外骨骼机器人在辅助康复、助力助行和体能拓展等方面都有着广泛的应用前景。而目前面向传统机器人开发的传感器存在可穿戴性差、生物相容性差、适应性差等问题,为更有效地实现多自由度、多运动状态的人机运动协调辅助,提高穿戴者与外骨骼之间交互的灵活性、实时性、可靠性,需要设计一套柔性传感系统,监测穿戴者的运动状况,为复杂环境中的外骨骼自适应控制提供智能感知技术支撑。因此,文本研制了一套可应用于水陆复杂环境下人体下肢运动测量的柔性传感器。论文主要工作包括:首先,本文根据传感器的应用场景及相应的技术要求,进行传感器的设计及制造,具体包括理论模型的建立、传感器本体结构设计、电路设计、材料选型及工艺设计。接着,通过陆地和水下实验测定了传感器的各项性能,满足水陆复杂环境的使用要求及多项性能要求;通过对传感器性能参数的测定,为传感器的具体应用提供技术指标。其中测定的性能包括陆上水下的静态性能(线性度、回程误差)、寿命、稳定性以及在水环境中抗水干扰(水流、水压)能力、防水能力等。最后,基于柔性传感器开发了人体下肢运动测量系统,并开展了人体下肢在陆地及水下运动测量实验。通过分析实验结果,对传感系统的测量效果进行评估,包括陆上人体下肢各关节矢状面角度的测量精度及水下人体下肢运动模式的判别效果。

关键词： 换流变压器   局部放电   模式识别   降维   深度学习   深度置信网络  

摘要： 作为高压直流输电系统的关键设备之一,换流变压器绝缘状态的好坏与直流输电系统的安全稳定运行息息相关。局部放电既是换流变压器绝缘劣化的征兆,又是造成其绝缘劣化的关键性因素。对换流变压器局部放电类型和严重程度进行有效识别能够及时发现其内部的一些潜伏性故障,为诊断和状态检修策略提供依据,保障系统的安全稳定运行。因此,开展换流变压器局部放电模式识别方法的研究意义重大。指纹特征提取与分类器选择是实现换流变压器局部放电模式识别的关键环节。现有的指纹特征提取与分类器选择存在如下问题:1)在特征参数初步选择方面,由于缺乏先验知识,初步选择的局部放电特征参数敏感性差,不能全面描述局部放电特性;2)在指纹特征提取方面,常用的降维方法忽略了局部放电数据的非线性特性和不同原始特征空间的差异性,使降维后的特征空间信息丢失较多,影响分类器识别准确率;3)在分类器选择方面,常用的分类器主要是BP神经网络、支持向量机等浅层学习方法。这些浅层学习方法由于自身的局限性,识别能力有限,提升空间也不大。上述问题导致现有的换流变压器局部放电模式识别准确率较低。针对上述问题,本文提出了基于深度学习的换流变压器局部放电模式识别方法。首先基于实验室已有的换流变压器局部放电实验数据,从统计图谱库、波形图谱库、色谱库、整体图谱库中分别提取了 67、13、17、97个原始局部放电特征参数,并构建了用于识别研究的原始特征空间。然后,基于核主成分分析、相关系数矩阵、粗糙集理论三种方法对原始局部放电特征空间进行降维,提取局部放电指纹特征。最后,将深度学习中的主流模型深度置信网络引入换流变压器的局部放电模式识别领域。依据深度置信网络的基本原理构建深度置信网络分类器,建立了基于深度置信网络分类器的局部放电分层识别模型,提出了局部放电模式识别策略,实现了局部放电缺陷类型和严重程度的有效识别。与传统的人工神经网络对比,基于深度置信网络分类器的模式识别方法具有强大的特征学习能力,识别效果整体更优。这也为深度学习在局部放电模式识别领域的应用进一步提供了参考依据。

关键词： 局部放电   噪声干扰   特征提取   模式识别   未知类型  

摘要： 电力系统中电气设备绝缘性能的优劣是关系到电网安全运行的重要因素之一。局部放电是导致电气设备内部绝缘缺陷产生的重要原因,是电气设备绝缘完整性退化的标志。由于设备内部绝缘劣化的原因不同,其对外所表现出的局部放电类型也不相同。因此,通过将采集到的局部放电信号提取放电特征并对其放电类型进行准确识别,以便进一步研究其内部的绝缘情况,对于电气设备状态评估具有重要意义。另外,剔除检测信号中所包含的强烈的噪声干扰成分,对放电类型的准确识别也至关重要。本文基于实验室搭建的人工绝缘缺陷模型中采集获得的数据,研究了局部放电信号的去噪、特征提取以及模式识别方法。主要研究工作如下:提出了基于完全集合经验模态分解（CEEMD）和排列熵（PE）的局部放电信号小波包去噪方法。在对含噪局部放电信号进行完全集合经验模态分解的基础上,将分解后的各模态分量依据排列熵的大小排列,确定需要进一步降噪的分量。再利用小波包变换进行分解降噪,提取出高频系数中有用的局放成分。结果表明,通过对局部放电仿真和实测信号的去噪处理,本文所采用的方法能够更好地抑制周期窄带干扰和白噪声,取得了理想的去噪效果,有利于后续模式识别等工作的进行。提出了基于二维变分模态分解（VMD）和Hilbert变换的局放信号特征提取方法。首先,利用放电样本生成相应放电灰度图;然后,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的二维模态分量;最后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量。实验结果证明,本文方法所得特征量具有较高的正确识别率,该方法也为局放信号的频谱分析拓展了新的思路。提出了一种基于VMD-Hilbert边际谱和稀疏自编码-深度神经网络（SAE-DNN）的局部放电信号的模式识别方法。首先,以变分模态分解对局放信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱;其次,以局放信号的Hilbert边际谱为输入数据,利用自编码网络自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数;然后,利用训练结果初始化深度神经网络,再以大量训练样本进行分类器的训练。同时,为了加快收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数;最后,用训练好的深度神经网络完成局部放电类型的识别。实验结果证明,本文所采用的识别方法具有较高的正确识别率。为了解决现有局部放电模式识别中存在的无法对未知放电类型的放电样本正确分类的问题,本文提出了一种基于改进支持向量数据描述（SVDD）算法与马氏距离的未知放电类型的识别方法。首先,利用SVDD算法求解已知放电类型样本的超球体中心a和半径R;然后,根据Otsu准则设定双阈值R1、R2将划分特征空间为不同区域;最后,依据不同区域内的判定准则,以马氏距离为判定条件,确定样本的放电类型是否未知。实验结果表明,本文提出的方法对于局部放电样本的识别和分类具有较高的正确识别率,验证了该方法的可行性。此外,本文所采用的改进SVDD算法也为未知局部放电类型的识别提供了新的思路。