关键词： 虹膜识别   模式识别   深度学习   三元组损失   半监督学习  

摘要： 基于生物特征的身份鉴别技术己被广泛应用于支付、边防、取证、存取控制等领域。由于虹膜具有唯一性、稳定性、大容量、防伪性、可非接触获取等特点,虹膜识别被认为是仅次于DNA识别的身份鉴别技术。对比指纹识别,虹膜识别更方便、具有更强的防伪性;对比近年热门的人脸识别,虹膜识别具有无可比拟的可靠性和和稳定性。因此,自上世纪90年代以来,虹膜识别系统应运而生。虹膜识别系统大都遵循Daugman提出的四步模型,即虹膜分割、归一化、特征提取和特征匹配。早期的虹膜识别系统主要基于传统的手工特征提取。这些系统在虹膜图像存在反光、镜框干扰、远距离拍照、模糊等情况时,识别准确率不高。提高系统的泛化能力成为虹膜识别技术发展的关键。随着深度学习在计算机视觉领域的成功应用,2015年以来,深度学习被应用于虹膜识别。特别是2017年***等人提出的UniNet架构在ND-IRIS-0405、CASIA-V4-Distance、ITTD和WVU Non-ideal数据集上取得了迄今最优的结果。本文应用深度学习开发虹膜识别系统,主要工作有:1.虹膜分割受人脸检测MTCNN模型的启发,设计了一个级联卷积神经网络(Cascaded convolutional network),用于虹膜分割。实验表明:该模型获得了极佳的分割效果,适用于存在遮挡、模糊、反光和镜框干扰等情况的虹膜图像,且可以检测图像中的多个虹膜。2.虹膜特征提取鉴于全卷积网络(Fully convolutional networks,FCN)输出的特征图能保持空间信息这一特点,选择基于UNet的全卷积架构,并使用三元组损失(Triplet loss)训练网络。该网络基于半监督方式同步生成特征图的蒙版(mask),而UniNet需要额外有监督地训练一个MaskNet,用于蒙版生成。所开发的系统在CASIA-V4-Thousand上训练后,未经微调即能在其他数据集上获得很高的准确率。在CASIA-V4-Distance、ITTD这两个数据集的跨数据集测试中,我们的算法精度超越UniNet的CrossDB模型。表明该系统准确率高、泛化能力强,已达实用水平。

关键词： 模式识别   工程实例教学   实践能力  

摘要： 结合自动化专业工程教育认证标准,本文对基于工程实例导入的模式识别课程教学改革进行了探索和实践,以具备模式识别系统的初步设计与开发能力为培养目标,采用理论与实践教学相结合的方式,在教学内容、教学方式、工程实践等方面进行了探索与实践,增强了学生学习兴趣、锻炼了学生的实践能力。

关键词： 终末期肾病   血液透析   血压模式   模式识别   预后分析  

摘要： 终末期肾病在世界范围内的发病呈上升趋势、危害严重,造成了巨大的疾病负担。终末期肾病患者主要通过血液透析(血透)这一治疗手段维持生命。因此,为血透患者提供更准确的预后模型,是终末期肾病医疗服务提升与血透患者精准管理的基础与重要依据。然而,现有研究主要基于单次、静态的患者体征构建预后模型,缺乏对多次、动态的时序特征的有效分析,无法全面、精准预测血透患者疾病进展情况,难以为临床医生提供准确有效的决策支持。本论文从血透过程中需要长期、多次监测的患者血压特征入手,充分分析多次血透过程中的血压变化信息,挖掘血压变化模式,建立融合多次血透血压变化特征的预后模型,为终末期肾病患者血透管理提供精准决策支持。论文主要创新点如下:提出了 一种基于数据驱动的单次血透期间血压模式识别方法。基于大量血透血压数据聚类血压模式,在终末期肾病患者脑血管死亡事件的分类任务上,发现了较传统特征更优的血压模式特征。提出了 一种基于多次透析记录的复杂血压变化模式发现方法。充分分析多次血透过程中的血压变化信息,识别并可视化了连续多次血透过程之间的血压变化模式即二维模式,较单次血透过程中的血压一维模式,显著提高了对终末期肾病患者全因死亡的分类性能。提出了一种融合多次血透血压变化特征的深度学习生存分析方法。充分利用血透患者删失数据提供的信息,基于血透血压二维模式预测并描述了患者长期的风险变化情况,较传统方法提供了更准确的预测血透患者生存风险的方法。本论文基于真实临床数据,分析了终末期肾病患者血透期间的血压模式,将血压模式的研究范畴拓展到了二维模式。基于机器学习、深度学习算法,实现了血透血压模式的识别与可视化,分析了血压模式与预后之间的关联,有效预测了患者长期的风险变化情况,为终末期肾病血透患者的预后分析提供了技术支持。

关键词： CapsNet神经网络   深度学习   模式识别  

摘要： 胶囊神经网络是一种新型的深度学习神经网络架构,本文采用了新型激活函数,训练中更少的batch size已经衰变学习率三种优化措施,并在Fashion-MNIST与MNIST两个数据集上进行对比实验.最终证明了三种优化方式的可行性,提高了模型性能.

关键词： 刀具磨损   模式识别   寿命预测   隐马尔可夫模型   混合高斯模型   时变转移概率  

摘要： 机械加工刀具直接影响加工成品质量,实时监测刀具磨损状态对保障加工过程稳定与产品质量一致性有重要意义。本文以高速铣削刀具为研究对象,建立基于隐马尔可夫及其扩展模型的刀具磨损状态在线识别与剩余使用寿命预测系统,重点研究信号特征提取与筛选、状态识别建模、剩余使用寿命预测建模环节的原理与方法,并在所述识别与预测模型基础上设计刀具磨损状态在线识别与剩余使用寿命预测原型系统。具体研究工作如下:特征提取与筛选环节,研究多传感信号特征提取方法,分别从时域、频域、时频域三个方面提取多种信号特征量,并采用皮尔逊相关分析、近似冗余特征分析完成特征筛选,保证特征量的有效性。状态识别建模环节,利用隐马尔可夫模型对时序数据的学习能力,建立基于混合高斯隐马尔可夫模型(Gaussian Mixture Hidden Markov Model,GMHMM)的刀具磨损状态识别模型,并以天牛须算法优化粒子群算法得到的天牛须粒子群算法(Beetle antennae-Swarm Optimization,BSO)优化模型求解初值,有效避免求解陷入局部最优的问题,完成基于BSO-GMHMMs模型的状态识别建模。寿命预测环节,研究基于时变状态转移概率的隐半马尔可夫模型(DurationDependent Hidden Semi-Markov Model,DD-HSMM),该模型给出状态驻留时间的显示分布表示,并在状态转移概率中引入时间成分,使得历史状态信息被考虑到当前寿命预测中,所得的刀具磨损剩余使用寿命预测模型更符合实际,预测结果更准确。最后,基于磨损状态识别与寿命预测模型,在MATLAB App Designer工具支持下完成应用系统原型设计。

关键词： 目标检测   目标跟踪   模式识别   特征提取   聚类   核相关滤波  

摘要： 如今,运动目标跟踪是计算机视觉领域中最具有挑战性的任务之一,其应用于人机交互,智能交通监控和机器人等。并且随着目标跟踪与识别技术的快速发展和安防智能监控的不断提升,智能监控,地形导航及视频智能标注等应用的智能化要求越来越高。智能监控系统是指监控系统在非人为干扰和控制的情况下,计算机能自动对监控设备传递的图像进行处理,对运动物体的运动,姿态等做出相应的行为分析,其涉及领域主要有人工智能,模式识别及大数据处理等。目标跟踪是智能监控系统中不可缺少的部分,其性能决定了监控系统功能强弱和性能好坏。尽管进行了大量的尝试,但克服运动目标跟踪中的干扰因素仍然是一个具有挑战性的任务,比如尺度变化,遮挡,突然运动,光照变化以及平面内外旋转。论文针对目前目标跟踪所存在的问题,结合行业内的一些常见跟踪算法进行深入的研究,具体成果如下:1、提出了一种多特征融合的增强型核相关滤波算法。该算法有效地减少运动目标跟踪过程中光照变化,遮挡,尺寸变化等因素的影响。该算法首先提取图像的方向梯度直方图特征信息、颜色名称信息、局部二值模式纹理信息及Canny边缘信息来融合成一组多特征信息进行目标跟踪,然后采用多尺度搜索方法自适应目标区域的尺度变化,最后比较前一帧与当前帧的最大输出响应分数,判断目标发生遮挡等情况是否存在,若遮挡等情况存在,即对模型参数重新更新。实验结果表明,该算法在目标跟踪过程中受快速运动、遮挡、尺度等影响时,比传统目标检测算法具有更高的准确性、鲁棒性。2、提出了一种基于核相关滤波的视觉跟踪算法。由于视频序列中选取首帧作为目标模板训练的样本,难以解决遮挡和目标外观形变等问题。并且由于样本单一,不具备从复杂模板中恢复的能力,继而该算法基于聚类方法设计了多模板匹配框架,通过本框架可以更加准确地跟踪目标,同时本论文还提出了一种随机更新多模板匹配策略,确定了核相关滤波的学习因子,从而实现了学习因子自适应更新模型。通过自适应学习因子和多模板匹配,该算法对部分遮挡、光照和目标尺度变化具有较强的适应性。3、提出了目标跟踪系统设计及实现。本系统基于QT平台,结合OpenCV等视觉库,实现了对监控场景下对不同的目标跟踪。系统功能有(1)目标检测跟踪功能:本软件可以对指定视频文件进行正在移动的目标跟踪;(2)目标边缘检测功能:本软件可作为边缘检测,提供对指定文件进行检测;(3)视频播放功能:本软件可作为播放器,提供对多种格式视频文件的播放。(4)视频录制功能:本软件可以根据用户需求对指定视频文件进行指定性录制。

关键词： 建筑空调能耗   机器学习   无监督学习   符号化降维近似   K均值聚类算法   模式识别  

摘要： 大数据时代,建筑运行数据量越来越大且维度越来越高,使用传统技术对这些数据集进行分析是耗时且不现实的。采用机器学习算法对数据进行分析处理并挖掘其价值是目前国内外最新的趋势。本文以中国石油大厦为例,研究了基于机器学习的建筑空调能耗数据挖掘和模式识别。利用时间序列符号化工具SAX和无监督机器学习算法Kmeans,对大厦2017年的空调能耗数据进行了降维聚类分析和模式识别,主要结论和创新成果如下:(1)建立了基于SAX符号化处理、机器学习聚类分析和模式识别的建筑能耗数据分类方法体系。首先进行数据预处理,通过SAX符号化和降维处理得到365组结构化数据和13种粗类能耗模式;然后,根据建筑分时流向图,观察类簇个数,再进行Kmeans聚类处理,得到5条聚类曲线和5种能耗模式;最后,进行模型验证和模式识别。该体系对逐时空调负荷预测和设备故障检测诊断具有指导意义。(2)探讨了建筑空调能耗数据的聚类方法及参数选取。首先,通过分析数据特征和聚类算法实现难度及准确度,选取合适的聚类方法,即Kmeans算法;然后,分析数据的数据结构,选取距离计算函数;再通过轮廓系数,分6种情况讨论并得出了类簇个数K的值;最后,通过聚类系谱图验证了 K值的合理性。(3)对中石油大厦空调系统全年90%的运行时间的能耗数据进行了聚类分析,得到5条能耗曲线(或5级聚类模型),分别对应5个能耗等级。五级模式、四级模式、三级模式、二级模式和一级模式分别对应100-80%、80-60%、60-40%、40-20%和20-0%的实际空调负荷下制冷设备的运行模式。(4)从暖通工艺角度,分模式分时段讨论了五条能耗曲线的物理意义。结合分时电价和逐时空调负荷,分析了不同供冷模式下,3台双工况主机的制冷工况和制冰工况、2台基载主机制冷工况、蓄冰装置的融冰工况及三者的组合情况;明确了五级能耗模式的实际意义。并分别按季节、月份、周细分三个维度对比分析这5种能耗模式,验证了能耗分级的合理性。(5)验证了五级聚类模型正确性。根据机器学习模型验证规则,训练数据集和测试数据集各占总能耗数据的50%,分别用相应模式的测试集来评估聚类模型的泛化能力,得出模型置信度为95.45%。进行初步模式识别,效果良好。

关键词： 滚动轴承   VMD分解   GBDT方法   退化趋势预测   故障模式识别  

摘要： 在冬季,我国多数地区均有降雪,特别是北方地区,其降雪持续时间较长,给人们的正常出行带来了极大的不便。尤其是机场,航班延误情况受降雪天气的影响日趋恶劣,三合一除雪车作为机场的快速除雪工具之一,如何保证除雪车无故障运行,保障航班正常起降,是十分重要的。而作为除雪车扫雪部分的关键部件——减速机,在频繁剧烈的冲击工况下,极易发生损坏。其中滚动轴承内外圈故障和滚动体故障是其损坏的主要原因。如果能够及时的预测出轴承即将出现的故障,提前备件,不但可以节约成本,还可以保障零件更换时间,提高除雪效率。因此,对滚动轴承退化趋势预测及故障模式识别是至关重要的。论文围绕轴承退化趋势预测及故障模式识别展开研究,其主要研究内容包括:(1)奇异值分解(SVD)降噪。针对采集到的轴承振动信号中还包含了其他信号成分的问题,基于奇异值分解降噪理论,对有效秩确定方面进行大量的研究,采用奇异值拟合误差最小原则进行确定,并通过方法对比验证该方法的有效性和优越性。同时还将SVD降噪和小波降噪进行了对比,进一步说明该方法的有效性。(2)变分模态分解(VMD)研究。针对轴承退化趋势预测中样本特征不足的问题,采用VMD分解的方法,该方法能够有效地避免模态混叠,使得到的特征具有独立性。在模态混叠方面,将其和经验模态分解(EMD)进行对比,验证VMD分解的有效性和优越性。同时,针对VMD方法中参数不易确定的问题,对其采用粒子群优化算法进行参数寻优,进而避免模态混叠现象的发生,为后续的研究提供保障。(3)基于梯度提升决策树(GBDT)轴承退化趋势预测及故障模式识别研究。为了进一步提高模型的泛化能力和缓解模型的过拟合现象,对GBDT的正则化进行改进,引入L2正则项,并对其进行验证。在模式识别的方面,除了一些常用的时域和时频域特征外,还将小波包分解和样本熵进行结合,实现故障识别的高正确率。(4)轴承退化趋势预测及故障模式识别系统开发。确定系统的整体开发框架,对用户登录模块、退化趋势预测模块、故障模式识别模块以及信息管理模块进行开发。

关键词： 水利工程   爆破   粒度分布   图像分析   模式识别   堆石坝  

摘要： 在堆石坝等水利工程建设中,爆破开采料物的粒度分布影响着填筑施工质量控制以及坝体的变形性、渗透性、孔隙压力系数和抗剪强度,是一种重要的施工控制参数。此外,粒度分布还影响着爆堆装载、运输和二次破碎等后续施工效率。传统的筛分方法耗时费力、影响生产周期、效率较低,因此寻求一种方便快捷的粒度检测方法具有重要的工程意义。图像分析用于爆破料物粒径分析具有设备轻便、算法发展成熟、无接触、不影响生产等优点,已成为机械筛分替代方法之一。本文在研究图像分析理论和开展试验室试验基础上,研究了数字筛分重要步骤的实现,开发了粒度检测系统。此外,考虑到数字筛分的缺陷和不足,本文深入研究了基于模式识别的粒度检测方法。具体研究内容与成果如下:(1)传统的分水岭变换易受极小值影响而出现过分割,本文提出两种基于灰度形态学运算的改进分水岭变换。第一种方法首先使用腐蚀后的图像与原灰度图进行形态学重建,膨胀操作后与重建图像再次进行形态学重建,图像取反后提取岩石内部极大值区域,再进行分水岭变换;第二种方法则是通过组合顶帽变换与底帽变换之间的代数运算来获取极大值区域。(2)为从图像中准确测量颗粒尺寸开展了室内试验。通过拍摄岩石颗粒图像提取30种二维尺寸或形状特征,使用NCFS进行特征选择,集中解决了数字筛分中筛级确定、体积重建和重叠判别三个问题,提出了相关数学模型和SVM分类模型,研究结果与已有方法相比具有较高的准确度。(3)根据所提出的灰度形态学运算改进分水岭算法以及岩石粒度和重叠估算方法,以MATLAB平台为基础,开发了粒度检测GUI系统,通过工程筛分试验实例,检验了系统的工程可行性和实用性。(4)针对多数图像分割算法依赖可控光源、室外环境鲁棒性不高以及需要用户调节参数等问题和不足,研究基于模式识别的粒度检测方法。使用6种方法提取图像纹理特征、使用PCA进行特征降维、构建了纹理特征与粒度分布之间的RBF神经网络模型,交叉验证结果显示模型具有较好的泛化能力。将模型集成到粒度检测GUI中,在一定程度上可指导工程实践。基于模式识别的方法无需分割图像和手动操作,具有重要的理论研究意义,应该进行深层次的实践探索。

关键词： 相关滤波器   混叠   非线性共轭梯度法   人脸识别  

摘要： 模式识别作为机器学习和人工智能的一个重要领域,在生物识别、图像检索等诸多领域中得到广泛应用。相关模式识别作为模式识别中的一个重要的子领域,使用相关滤波器用于分类。虽然相关滤波器本身具有一些优良特性且种类繁多,但仍存在相关峰不够尖锐、所需训练时间长和混叠等问题。针对上述问题,本文主要对二次相关滤波器算法和零混叠相关滤波器算法进行改进研究。首先,回顾相关滤波器通用的设计原则,通过实验介绍相关滤波器的优良特性。接着,利用有约束相关滤波器和无约束相关滤波器中预先白化图像的思想,改进二次相关滤波器,使得生成尖锐的相关峰,改善识别性能。并针对二次相关滤波器训练时需要进行大矩阵运算的问题,利用二次相关滤波器仅需要非零特征值对应的特征向量这一事实化简矩阵运算,改进训练过程,加快训练速度。在AT&T人脸数据库和Yale人脸数据库上进行的实验结果验证本文方法的有效性。最后,零混叠相关滤波器使用梯度下降法进行训练,为了克服梯度下降法可能出现锯齿现象和收敛速度慢的问题,使用非线性共轭梯度法替代梯度下降法以进行改进。通过在AT&T人脸数据库和Yale人脸数据库上的实验结果表明,在保持零混叠相关滤波器的识别性能的同时,改进的训练方法能有效加快收敛速度。