基于瞬时频率二次特征提取的辐射源信号分类

提出了基于瞬时频率二次特征提取的雷达辐射源信号分类方法．首先利用改进的瞬时自相关算法提取信号的瞬时频率特征．在此基础上，对所获得的瞬时频率进行级联归一化处理，提取分类特征向量．最后，采用层次决策方法实现自动分类．仿真结果表明，该方法提取的特征向量具有较好的类间分离性，整体信号分类方案在信噪比不低于6dB时，可获得90％以上的分类准确率．     

支持向量机在雷达辐射源信号识别中的应用

为了提高电子对抗设备的信号识别能力，采用相像系数法提取雷达辐射源信号特征，并引入支持向量机完成信号自动分类识别．相像系数法在大信噪比范围内稳定性好、分辨能力强．支持向量机分类器结构简单、可获得全局最优、泛化能力强．实验结果表明，基于相像系数和支持向量机的辐射源信号识别方法在大信噪比（5～20dB）范围内，错误识别率最低可达2．68％，优于传统识别方法．     

基于粗糙集和贝叶斯分类器的病毒程序检测

在病毒程序检测中将粗糙集与贝叶斯分类器相结合．该方法在粗糙集属性约简的基础上，综合考虑了条件属性和决策属性的依赖性以及条件属性间的依赖性对约简的影响．通过基于依赖性的属性约简，减少对属性变量间独立性的限制，发挥贝叶斯分类器的鲁棒性潜能，优化贝叶斯分类器的特性．实验结果表明，检测率达到97．88％，正确率为97．16％，明显高于传统的基于特征和RIPPER的方法，也高于多贝叶斯方法；虚警率为5．19％，也比上述所有方法均有所降低．     

基于DTW的在线手写签名验证算法

提出了一种基于DTW匹配的以签名能量为特征的在线手写签名验证算法．在线签名验证包括数据采集、预处理、特征提取、匹配判决等部分．侧重签名能量特征提取方法的研究．基于Daubechies小波的方法对签名波形进行分解，提取签名波形在跳变点的能量，抽取15个具有较大能量的跳变点．经DTW比较后，提出了一种新的分类算法．实验表明，对于随机伪造签名，当误拒率为0％时，误纳率小于9％．     

基于小波变换和线性判别分析的人脸识别方法

提出了将人脸图像的小波分解和线性判别分析结合以达到人脸识别的方法.首先对人脸图像作小波分解,并将分解后的低频系数进行线性判别分析进一步降低人脸特征向量的维数,最后利用最近邻分类器进行分类识别.实验表明,该方法的正确识别率高于传统的特征脸识别方法.     

基于原子分解的辐射源信号二次特征提取

提出了基于原子分解的辐射源信号二次特征提取方法.在过完备多尺度Chirplet原子库基础上,首先用匹配追踪(MP)方法进行信号时频原子分解,并通过改进的量子遗传算法(IQGA)降低MP搜索过程的时间复杂性,得到表示雷达辐射源信号特征信息的最佳Chirplet原子.在此基础上,降低特征参数的维度,提取最具分类意义的原子特征向量.对5种典型雷达辐射源信号的特征提取实验表明,提取的原子特征类内聚集性强、类间分离度大,证实了本文方法的可行性和有效性.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。     

基于自适应阈值和连通域的隧道裂缝提取

为了解决传统人工隧道裂缝检测存在诸如效率低、主观性大、安全性差等弊端,利用裂缝具有方向性和连续性等特征,提出了一种基于自适应阈值和连通域标记的隧道裂缝提取方法. 首先,根据裂缝的方向性特征,设计了一种阿拉伯数字算法（Algorithmic）对裂缝进行粗提取,其中对于该算法公式中的阈值选取进行了自适应阈值化,利用改进的阈值迭代法完成系统自动获取最佳阈值,无需人工干预;然后,根据裂缝的连续性特征,采用数学形态中的连通域标记法对裂缝进行细提取,其中通过控制连通域面积大小,实现裂缝粗提取后的去噪处理,通过膨胀和腐蚀操作实现裂缝粗提取后的修复处理;最后,选取了共计165张不同类型的裂缝图像作为实验样本,在MATLAB上进行仿真实验. 从实验数据可以看出,自适应阈值和连通域标记的提取方法其提取精度可高达94.2%,平均运行时间仅35.4 s,误识率和拒识率已控制在2.7%和1.1%,相较于传统的图像处理方法有着显著的提高,充分展现出良好的应用前景.      

基于自适应权值的多分类器融合方法

提出了一种类似于聚类分析的融合方法，它通过分析样本在特征空间的分布，来估计分类器分类结果的可靠性，并根据各个样本的具体情况自适应地为各分类器赋予权值，从数据融合的层次上来说，这是一种介于特征级和决策级的融合方法。     

Radar Emitter Signal Recognition Using Wavelet Packet Transform and Support Vector Machines

This paper presents a novel method for radar emitter signal recognition. First, wavelet packet transform （WPT） is introduced to extract features from radar emitter signals. Then, rough set theory is used to select the optimal feature subset with good discriminability from original feature set, and support vector machines （SVMs） are employed to design classifiers. A large number of experimental results show that the proposed method achieves very high recognition rates for 9 radar emitter signals in a wide range of signal-to-noise rates, and proves a feasible and valid method.     

基于小波脊频级联特征的雷达辐射源信号识别

为识别复杂体制雷达辐射源信号,提出了一种基于小波脊频级联特征提取的信号识别方法.该方法采用新的小波原子和脊线检测策略提取信号的脊频特征,并提取其级联特征作为信号识别向量.仿真结果表明,采用级联特征能有效地识别辐射源信号,当信噪比为5 dB时,识别率达95%以上.与传统小波和现有方法相比,所提出的方法具有更好的信号识别效果.     

Radar Emitter Signal Recognition Based on Complexity Features

Intra-pulse characteristics of different radar emitter signals reflect on signal waveform by way of changing frequency, phase and amplitude. A novel approach was proposed to extract complexity features of radar emitter signals in a wide range of signal-to-noise ratio ( SNR), and radial basis probability neural network (RBPNN) was used to recognize different radar emitter signals. Complexity features, including Lempel-Ziv complexity (LZC) and correlation dimension (CD), can measure the complexity and irregularity of signals, which mirrors the intra-pulse modulation laws of radar emitter signals. In an experiment, LZC and CD features of 10 typical radar emitter signals were extracted and RBPNN was applied to identify the 10 radar emitter signals. Simulation results show that the proposed approach is effective and has good application values because average accurate recognition rate is high when SNR varies in a wide range.     

Trip Chain's Activity Type Recognition Based on Support Vector Machine

This paper focuses on support vector machine (SVM) based trip chain's activity type recognition. First, the time-series location information of person trip is processed to obtain the trip chain elements including moving processes and activities, and the activity options are extracted from the geographic information system (GIS) around the activity sites. Second, the activity features are drawn from spatio-temporal factors of trip chain to serve as the input feature vector of classifier. A SVM based one-to-one classifier is established and the method of one-to-one classifier voting is adopted to decide the most likely activity type from the activity options. Finally, the classifiers are trained with simulation data based on the Gaussian radial basis (RBF) kernel function and the multilayer perception (MLP) kernel function respectively, and then examined by cross validation. The result shows that in the one-to-one classifying scheme, the highest and lowest right recognition rate with RBF are 99% and 62%, and the corresponding results with MLP are 97% and 54%, respectively.     

基于支持向量机的出行链活动类型识别研究

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

一种雷达辐射源信号分选新方法

提出一种基于小波与神经网络联合分析的雷达辐射源信号分选新方法.该方法首先对接收到的雷达信号进行小波去噪,达到提高信噪比的目的,然后利用小波脊线法准确提取其脉内特征参数,最后基于神经网络实现信号的分选.计算机仿真结果表明,较现有方法,该方法在较低的信噪比情况下,可以更准确地实现雷达辐射源信号的分选.     

驾驶人手机通话行为中基于图像特征决策融合的手势识别方法

为鲁棒检测自然环境中驾驶人的通话行为, 提出了一种驾驶人手机通话手势的识别方法。运用Adaboost算法检测驾驶人面部区域, 在YC_gC_r色彩空间中分别对面部肤色亮度分量和色度分量进行稀疏网格间隔采样, 由此建立了肤色的高斯分布模型; 针对驾驶室光照强度的不均匀性, 提出了肤色分量的漂移补偿算法, 建立了适应光照变化的在线肤色模型, 以准确分割左右手部肤色区域; 运用HOG算法获取手部肤色区域的2 376维HOG特征向量, 运用PCA方法将HOG特征降至400维; 同时提取手部肤色区域的PZMs特征, 并采用Relief算法筛选出权重最大的8个PZMs特征向量, 建立了融合PCA-HOG特征和Relief-PZMs特征的通话手势支持向量机分类决策。试验结果表明: 基于PCA-HOG特征的手势识别率为93.1%, 对光照变化的鲁棒性较好, 但易受到手部与头部转动的干扰; 基于Relief-PZMs特征的手势识别率为91.9%, 对于头部与手部姿态的耐受度较好, 但光照鲁棒性较差; 基于PCA-HOG和Relief-PZMs多元特征融合方法的手势识别率达到94.5%, 对光照波动、手部与头部转动等干扰条件具有较好的适应性。