关键词： 人脸检测   模式识别   梯度方向直方图   K近邻分类器   特征提取  

摘要： 人脸识别作为计算机视觉和模式识别领域最关注的问题之一，近年来取得了日新月异的发展，但在复杂环境下的人脸检测和识别，仍有待进一步发展与完善。梯度方向直方图(Histograms of Oriented Gradients, HOG)己被证实为在目标识别领域非常有效的特征提取算子。为了提高在复杂背景以及恶劣光照条件下人脸识别的准确率，本文提出了改进的C-HOG特征提取方法，并构建了人脸检测和识别系统。　　本文所做的主要研究工作如下：1.系统的讲述了构建人脸识别系统的原理和步骤，研究并实现了一种基于HOG结合K近邻分类器的人脸识别系统，提出了一种最近邻分类方法，该方法以人脸的128为特征向量作为分类器的训练数据，通过计算不同人之间的人脸128维特征向量的距离并比较来决定人脸分类。2.为了避免人脸姿态造成特征向量生成的不准确，我们基于人脸特征点对人脸做人脸矫正。3.结合自适应彩色图像对比度增强算法和Canny边缘检测算子，提出改进的C-HOG特征提取算法，该算法可以更准确的提取目标特征信息，减少噪声干扰，同时可以通过反馈根据不同检测要求进行调整。4.在公共人脸数据库做人脸识别测试，实验表明，本文所用人脸识别算法表现很好。

关键词： 小波变换   磨煤机   主元分析   超低负荷   燃烧稳定性  

摘要： 火电机组发电过程是一个相对较复杂的过程。电厂热力系统是典型的多输入多输出多变量系统,各变量系统之间存在强耦合,不同的输入输出信号之间动态特性的时间尺度差异巨大,且输入输出之间存在强非线性和时变性,因此直接对对象做机理分析较困难。本文针对复杂热力系统,选择一定的数据分析方法,对大量的机组历史运行数据进行统计分析,发现一些特定的规律,再进行有针对性地机理分析,从而降低火电机组机理建模、软测量及状态重构的难度。常用的数据分析方法有主元分析、小波变换等,但传统的主元分析法只适用于线性系统和对静态对象的处理,对于复杂热力系统来说,单一的主元分析法并不适用。热力系统从整体来看是非线性的,但在某个时间尺度上热力系统可以看成是线性的,因此可以利用小波变换对热力系统信号进行多尺度分解,再在多个尺度上对信号进行主元分析来找寻常规方法得不到的数据规律。本文利用多尺度主元分析的数据处理法来对复杂热力系统进行分析找寻数据规律。火电机组灵活性提升引起的给煤量变化及掺烧劣质煤,极易造成磨煤机堵塞,影响机组安全稳定运行。采用多尺度主元分析法对磨煤机运行状态进行分析,选取合适的小波,对火电厂磨煤机在稳定运行时的相关变量数据进行多尺度分解,在多个尺度上分别建立主元模型。选取实时数据,利用多尺度主元模型来检测磨煤机的运行状态,对比传统主元分析与多尺度主元分析的检测结果,发现多尺度主元分析检测结果更为全面,并通过贡献图法分析出引起磨煤机运行状态出现变化的信号变量,分析结果与实际运行状况相符合,说明多尺度主元分析方法是可行的。由于火电机组灵活性提升,机组频繁处在超低负荷状态下运行,极易造成燃烧不稳定,甚至导致炉膛灭火,所以对锅炉燃烧稳定性的判别至关重要。选取火电机组与燃烧相关的变量数据建立多尺度主元模型,判断锅炉的燃烧稳定性。对比多尺度主元分析与传统主元分析的检测结果,发现在高频尺度可提前检测出燃烧出现不稳定,并从绘制的贡献图中判断出引起燃烧状态发生变化的信号变量,与实际运行状况相符合。因此多尺度主元分析法可辅助操作人员对锅炉燃烧稳定性进行预判。

关键词： 手机携带行为   传感器   生物特征   模式识别   特征融合   身份认证  

摘要： 随着智能手机的快速发展,智能手机已经逐渐演变成为一个提供各种服务的智能“管家”,让人类的生活更加方便与快捷。但同时,智能手机中的个人信息安全问题也日益突出,因为越来越多重要且隐私的信息需要保存在手机中,这些信息的重要性很大程度已经超过了这个设备。所以对智能手机的访问权限控制,已经成为保护手机信息安全的第一道防线,手机身份认证技术也成为当前研究热点。传统手机身份认证机制大多是基于密码或PIN码的,它们都存在容易被暴力破解或肩窥窃取等各方面风险。所以本文充分利用手机内置传感器所采集的数据,研究了基于手机携带行为模式识别的生物特征身份认证方法。每个人的行为方式与先天的基因、后天的生活习惯等有着巨大的联系,因此用户的行为方式是具有较强辨识力,且基于用户行为的身份认证模式,具有连续性、隐蔽性、非主动性和不受外界环境影响等各方面优点。但智能手机在用户携带和使用过程中存在很多随意性状态,如手机的方向、手机的佩戴位置与用户行为等几个方面,并且每种状态下采集的传感器数据存在较大的差异。因此为了提高用户身份识别率,本文将基于手机携带行为模式识别的身份认证过程分为两个阶段。首先,识别手机的携带行为,其中携带行为主要指手机的佩戴位置和用户的行为信息。本文利用多分类支持向量机结合后验概率计算,获得每个携带行为的分类后验概率,然后基于用户携带行为的前后时间相关性,对携带行为识别结果进行过滤,提高手机携带行为识别率。其次,识别出的手机携带行为主要是用户行为与手机佩戴位置两个离散特征,本文通过独热编码的方式把这两个特征进行编码,然后把这些特征融合到用户身份认证特征中进行用户身份认证,以确定用户的最终身份。实验结果表明,基于手机携带行为识别的身份认证达到了91.6%的准确率,相比于没有进行手机携带行为识别的认证方法,得到了很大的进步。

关键词： 模式识别  

ISBN: (纸本)9787111620723

摘要： 本书全面介绍了自动模式识别领域中所涉及到的核心概念。本书的构思适用于具有不同背景的新手，对图像、信号处理分析以及计算机视觉方面的研究人员和专业人员也非常有用。对于监督分类与非监督分类的基本概念本书以非公理化、非形式化的方式呈现出来，以便于读者能够快速地获得将基本概念应用于解决实际问题的必要背景知识。更高级的主题，如半监督分类、聚类算法与相关反馈的结合，将在本书的后半部章节中进行讨论。

关键词： RTI模式   数学障碍   应用研究  

摘要： 干预反应(Response to Intervention,简称RTI)是一种为没有达到与同龄人相同学业水平的儿童(即学习障碍儿童)提供评估和干预的教育模式。传统识别学习障碍方法存在诸多缺陷,如,“智力一学业成就”差异模式,容易误诊和预防、干预迟缓等。与传统识别模式不同,RTI模式倡导在普通教育中进行教学调整和服务支持,其目的是及时预防和发现潜在的学习障碍儿童及提高普通儿童的学业成就。数学障碍是学习障碍的一种,因此RTI模式同样适用于数学障碍的识别与干预。通过分析数学障碍高危儿童对教学的反应,评估儿童是否进入后续数学障碍鉴别的相关研究中去,该模式能够显著改善特殊教育在普通教育领域中的应用。本研究对小学一年级学生实施RTI模式进行识别和干预数学障碍儿童,探讨RTI模式的有效性,以及在我国的实际运用的本土化问题。本研究的被试为成都市某公办小学一年级学生。研究分为两个阶段。第一阶段为前期调查阶段,以一年级两个班90名学生作为调查对象,使用自编《小学一年级新入学儿童数感》调查表,初步确定被试中可能存在数学障碍高风险的儿童。根据量表测验结果,设计RTI模式的干预实施方案,研究中采用实验法实施研究方案,在多层级的干预实施过程中应用进度监控测试儿童干预效果,不断调整和改善干预计划。第二阶段为运用RTI模式层级识别与干预阶段,第一层级采用课堂教学和小组协作学习相结合的教学干预法,每周给予被试三次30-40分钟的干预,干预持续时间为八周,然后运用学生学业成就的平均得分和标准差对干预结果和效果进行分析,筛选出4名数学障碍儿童(其中1名疑似自闭症儿童)进入第二层级;第二层级采用小组干预法,对3名数学障碍高危儿童进行每周3次,每次20-25分钟,干预持续八周,通过对学生测验的平均得分和周改善率分析,3名儿童对第二层级的干预均有反应,同时3名数学障碍高危儿童的学业成就通过第二层级干预得到了改善和提高。本研究结论:应用RTI模式对我国小学一年级学生进行数学障碍的识别和干预,能够建立系统的数学障碍高危儿童干预系统,及时发现数学障碍儿童,并能运用课程本位测量对儿童的学习进行动态评估,及时满足儿童的干预需求。RTI模式它不仅是一种识别学习障碍的系统,同时也可以作为学习障碍预防和评估系统并提高儿童学业成就、改变学习行为的一种方法。

关键词： 肌电信号   模式识别   小波降噪   特征选择   平滑性  

摘要： 表面肌电信号(Surface Electromyographic,简称SEMG)是肌肉收缩时产生的一种电信号,是人体组织活动的外在表象。因而是一种优良的天然人机交互接口,已经被广泛地应用到肌电假手控制领域。肌电假手的基本工作原理是利用模式识别技术对采集的表面肌电信号进行分类,根据分类结果驱动机械假手执行相应的手势动作。虽然目前的肌电假手已经实现多种手势姿势的识别,但依然存在各种不足:(1)以往研究中的手势姿态的自由度一般都较少,不能满足基本的日常需求;(2)动作切换不够平滑,造成用户体验感差。这些不足严重影响肌电假手的应用与发展。所以本文研究设计一款能识别8种常见手势姿势的肌电信号识别系统,并探索手势的平滑切换。本文的主要工作有以下几个部分:(1)综述国内外肌电假手的研究现状,重点探究了基于模式识别技术的肌电控制系统的研究现状。(2)了解肌电信号的产生机理和人体前臂的肌肉功能性,选择与8种手势姿态相关的肌群为数据采集通道,并用NORAXON采集系统完成肌电信号的采集。(3)对含噪声的肌电信号进行降噪处理,提高信号的信噪比。在降噪处理过程中:采用巴特沃斯带通滤波器消除基线噪声;利用基于高斯混合模型的小波系数阈值降噪法消除背景噪声。(4)利用时域和小波域分析方法对表面肌电信号进行特征提取。在特征选择环节,利用随机森林法计算每个特征的相对重要性,以特征的相对重要性为标准进行选择特征。(5)在模式识别分类器的研究中,选择了支持向量机和BP神经网络两种分类算法,并对两种分类器进行优化。(6)研究动作持续过程和动作切换过程的肌电信号在模式识别系统中的分类效果。通过对“判定流”的平滑处理,有效提高了动作持续过程和动作切换过程的肌电信号的识别准确率。本文设计的基于模式识别的手势动作识别系统为肌电假手的实际应用提供了一种可行的参考方案。

关键词： 电子鼻   数据分析   人工嗅觉   仿生学   模式识别  

摘要： 电子鼻是一种由交叉敏感气体传感器阵列组成的用于混合气味检测与识别的仪器。与常规的气体分析仪器相比,电子鼻凭借其快速、便携、廉价等优点被应用于石油化工、食品检验、医疗诊断等领域。虽然电子鼻在结构和功能上模仿了生物嗅觉工作原理来实现气味识别,但现有的电子鼻数据分析方法一般包含较多步骤,每个步骤又有多种方法可供选择,需要根据实际需求对不同环节的算法进行组合和优化以获取最佳的检测性能。这一过程通常会耗费大量的时间和精力,限制了电子鼻技术的发展。随着人类对生物机理认识的不断加深,仿生学成果越来越多地被应用于工程领域,为解决技术难题提供了新的途径和思路。本文首先对传统电子鼻数据处理框架进行介绍,然后基于仿生模型对电子鼻的数据分析从单平台到跨平台的顺序展开了研究,主要研究内容如下:(1)基于传统电子鼻数据处理框架,对气味识别进行初步尝试,并针对不同平台的气体传感器响应特性进行了算法设计,包括信号预处理、特征提取、特征降维及分类识别等步骤。为了验证方法性能,采用7种白酒样本进行了不同的对比实验。结果表明,传统数据分析方法能够有效解决多类样本的分类问题,在不同的采样方式及平台条件下都取得了较好的分类结果。(2)为简化电子鼻传统数据分析流程,提出了基于脉冲嗅球模型的信号预处理与特征分析方法。根据生物嗅觉系统的基本结构及特性,建立了包含脉冲嗅感受器和初级嗅球的脉冲嗅球模型。受生物神经元信息处理机制的启发,脉冲嗅感受器利用感受野将气体传感器响应转化为脉冲时间序列,实现了传感器数据的脉冲编码。初级嗅球模型模拟了生物嗅球的基本结构,包含僧帽细胞和颗粒细胞,其中僧帽细胞接收脉冲嗅感受器产生的脉冲序列,并传至颗粒细胞进行进一步分析。该方法无需滤波、降噪及特征降维等步骤,在简化传统方法的同时拥有更高的分类精度。(3)为提升电子鼻数据分析的泛用性,提出了基于脉冲皮层模型的电子鼻数据分析方法,建立了包含改进脉冲嗅感受器、高级嗅球和嗅皮层的脉冲皮层模型。首先,设计了一种新型脉冲激活函数对脉冲嗅感受器进行改进,以提升整体的编码效率。其次,根据生物嗅球结构完善初级嗅球模型,建立了包含嗅球主要神经回路的高级嗅球模型,使其更加符合生物嗅觉的生理特性,实现了气味信息的提取与加工。最后,利用具有生物特性的学习规则建立了嗅皮层模型来完成对嗅球输出的学习与分类。该方法不仅具有脉冲嗅球模型无需滤波、降噪及降维的优点,还能够通过自动学习完成识别任务。不同条件下的实验结果表明,相比于脉冲嗅球模型,使用脉冲皮层模型进行数据分析具有更好的分类性能和鲁棒性。(4)针对现有电子鼻数据分析方法无法处理跨平台数据的问题,提出了基于时序图像化的跨平台数据分析方法。首先对气体传感器响应进行时间序列的图像化,使不同平台的样本数据被转化为统一形式的组合图像。随后根据电子鼻的数据特点建立小型卷积网络模型,通过多种策略消除了小样本数据带来的过拟合问题,能够自动学习深层特征完成跨平台数据的分类识别。对三种电子鼻平台的实验结果表明,所提方法适用于不同的传感器阵列与采样方法,在三种平台下均具有较高的分类性能,实现了电子鼻的泛用型数据分析,有望推动电子鼻技术的普及与应用。

关键词： 量化对冲   隐马尔可夫模型   模式识别   行业熵  

摘要： 证券价格受极其复杂因素影响,一般对证券价格趋势分析时,需要市场走势、行业走势和个股走势多阶段、多形态分析判断,由此可认为条件随机场理论适合解决此类金融问题。而条件随机场的隐马尔可夫模型(HMM)在描述该过程的动态变化方面相对其他模式识别工具具备明显的优势,故采用HMM模型来研究解决股票投资中的选股问题。论文首先将指数成份股周收益率为正的股票命名为“上涨”类股票,其它的就命名为“下跌”类股票。接着选取了(收盘价-开盘价)/开盘价、(最高价-开盘价)/开盘价、(开盘价-最低价)/开盘价、每日换手率、(收盘价-昨日收盘价)/昨日收盘价和流通市值六个观测指标,使用前十日的观测时间序列,对“上涨”和“下跌”类股票时间序列分别进行了HMM模型的训练,得到“上涨”HMM模型和“下跌”HMM模型。再用训练出的HMM模型和HMM模型计算股票新观测时间序列似然值,即股票的“上涨”选股因子值y和“下跌”选股因子值y,综合设计出“上涨”条件选股因子值y。为检验选股因子的有效性,论文测试和比较了多个“选股因子”的信息系数(IC),选取IC显著的“选股因子”作为最终的选股指标,按此“选股因子”值排名靠前的股票为投资组合,并应用在市场中性和行业中性量化对冲策略设计中。最后,为进一步改进投资策略,论文引进了“熵”来度量行业“上涨”和“下跌”的一致性热度,最终构建了基于行业熵配资的量化对冲行业偏中性策略。论文对2016年1月1日至2018年8月30日的时间序列数据进行了实证分析。首先采集了沪深300指数成份股55日股票观测数据(10组十日六个特征值时间序列观测数据和匹配的周收益率数据样本)训练HMM模型,对“选股因子”的IC序列均值进行统计检验,结果显示“上涨”条件选股因子IC均值显著,再以此因子值选取在行业排靠前的股票为投资组合设计成行业中性量化对冲投资策略,以滚动式推进模式模拟了历史投资效果,取得可观的收益效果。为提升投资收益,建立了基于行业熵配资的行业偏中性量化对冲投资策略,经过历史的测试在原策略基础上取得更好的年化收益率以及更高的夏普比,充分说明运用HMM模型建立的基于行业熵配资的量化对冲策略在理论研究中有探索价值,且在金融投资实践中具有指导价值。

关键词： 旋转机械   智能诊断   模式识别   信息融合  

摘要： 随着传感器技术的日益发展，基于数据驱动的设备状态监测与智能故障诊断技术越发成熟，逐渐成为了目前的研究热点并受到众多学者的广泛关注。在此背景下，通过对相关技术进行研究，确定了以信息融合为核心的旋转机械故障诊断框架的设计与实现。本文的主要研究对象是齿轮和轴承，由于齿轮和轴承是旋转机械中的核心零部件，故提出的故障诊断方法对诊断技术的丰富与提高有着一定的理论意义与研究价值。　　具体的研究内容为：　　(1) 介绍了机械设备故障诊断方法的总体框架，对基于信息融合技术的机械设备故障诊断方法的优势及其国内外研究现状与应用前景进行了总结。　　(2) 在阐述信息融合基本理论与相关概念的基础上，确立了以D-S证据理论为本文信息融合技术中的核心算法。D-S证据理论作为一种用于处理不确定性推理和决策的重要工具，能将不同来源的证据组合起来，是一种有着完备数学理论基础的框架。通过对 D-S 证据理论缺陷的讨论，提出了一种改进的 D-S 证据理论方法来处理信息融合中可能出现的证据冲突问题。改进方法通过衡量证据之间的相似性与证据本身的不确定性信息来调整证据的置信度，采用加权的方式削弱不确定性信息对融合过程的影响。　　(3) 针对由于旋转机械信息不充分而导致单一决策方法结果可能不稳定的问题，提出了一种基于混合分类器决策融合的故障诊断方法。该模型通过混合分类器完成初步诊断获取识别对象的全面描述，采用融合算法进行决策融合有效避免单一诊断方法的片面性。通过单一分类器之间的信息互补，对识别目标对象做出更加全面的监测，提高故障诊断的精度以及诊断结果的可靠性。除此之外，考虑到单一传感器不能可靠地获取故障诊断所需的全面信息，提出了一种基于多域特征与改进 D-S 证据理论的智能故障诊断方法。从多源信号的时域、频域与能量域进行特征提取，组成多域特征对振动状态信息全面描述，通过信息融合修正分类器与传感器诊断结果的差异性。　　(4) 针对目前故障诊断过程中特征提取过度依赖专家经验与信号处理知识的问题，结合旋转机械的非平稳特性与数据量庞大等特点，研究了基于堆叠稀疏自编码与随机森林的特征融合方法在故障诊断中的应用。该模型利用堆叠稀疏自编码挖掘出数据的深层信息，通过构建并行的网络结构，对多传感器进行特征提取，并采用随机森林算法进行特征融合。在轴承与齿轮的故障诊断实验中，通过与其他浅层学习方法进行对比，基于堆叠稀疏自编码与随机森林的特征融合故障诊断方法具有更好性能，结合深度学习的信息融合方法为旋转机械智能故障诊断提供了一种新的研究思路。

关键词： 桥梁   地震损伤   信号处理   模式识别   时频域   深层神经网络  

摘要： 地震是一种破坏力极强的自然灾害,震后的抗震救灾工作刻不容缓,交通运输网络则是人员和物资转运的生命线。桥梁作为交通运输网络的关键节点,其地震损伤状态直接影响后续抗震救灾工作的开展,因此快速识别桥梁地震损伤状态至关重要。在已有桥梁损伤识别研究中,通常将完好或有损的桥梁均视为线性结构,并基于线性损伤特征对桥梁损伤状态进行识别。然而,地震激励下的桥梁将表现出非线性行为,且在发生损伤后其非线性行为愈发明显,线性损伤特征的应用将受到诸多限制。桥梁在地震激励下可能发生多处不同程度的损伤,其损伤状态复杂,适合采用模式识别方法进行求解。近年来,深层神经网络(Deep Neural Network,DNN)因具有比传统模式识别方法更强大的学习能力而迅速兴起,为复杂的桥梁地震损伤识别问题提供了新方案。然而,DNN在土木工程结构损伤识别领域的应用研究才刚刚开始,仍存在许多问题有待深入探讨。针对上述问题,本文开展了基于时频域损伤特征与DNN的桥梁地震损伤模式识别问题研究。主要研究内容如下:1.对地震激励下桥梁钢筋混凝土构件的弯剪损伤模拟方法进行讨论,采用纤维单元与剪切弹簧串联的方式对弯剪损伤进行模拟,将该方法引入增量动力分析,实现了对地震激励下桥梁弯剪损伤全过程的模拟。2.使用形态滤波器(Morphological Filter,MF)对不同主频、信噪比、采样频率的信号进行滤波,以滤波后的信噪比作为滤波效果评价指标,对结构元素形状进行比选并建立结构元素尺寸的计算方法,使MF成为自适应方法,使用模拟数据和实测数据验证了自适应MF的滤波效果。3.基于MF在噪声滤除方面的优良性能,将自适应MF引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)提出了MF-EEMD算法,使用MF滤除EEMD过程中冗余的噪声分量以抑制其模态混叠问题,使用MF-EEMD对模拟数据和实测数据进行分解,分解所得波形及其Hilbert谱更加清晰、连续,验证了所提MF-EEMD的改进效果。4.使用MF-EEMD对地震激励下的桥梁加速度响应进行分解,依据能量指标对分解分量进行时段划分,在各时段内对分解分量的频率和幅值取平均,并以此作为桥梁时频域损伤特征,结果表明时频域损伤特征与地震损伤状态之间存在明显的相关性。5.讨论了不同类型DNN的特点及适用场景,针对桥梁地震损伤模式识别问题搭建了相应的DNN模型,对其网络结构、激活函数、分类函数、损失函数、训练方法等进行了比选,使用连续刚构桥有限元模型模拟地震损伤模式样本对DNN进行训练与测试,实现了桥梁地震损伤模式识别。6.以大比尺斜拉桥振动台试验模型为研究对象,使用本文所提方法对其进行地震损伤模式识别,对比可见DNN识别的地震损伤模式与试验现场观测的损伤现象吻合较好,验证了所提桥梁地震损伤模式识别方法在实际应用中的可行性及有效性。