一种基于神经网络的分类系统

本文研究一种基于神经网络的分类系统，该系统采用传统模式识别与神经网络结合的方法，即在特征提取选择的基础上，用神经网络分类器进行分类识别。本文还针对ＢＰ算法易陷于局部极小的缺陷，提出了模拟退火法和ＢＰ的组合算法。将此分类系统用于脑干听觉诱发电位识别，其分类性能大大优于最近邻分类器。     

模式识别在电机故障诊断中的应用

本文在建立了电机多元时序模型的基础上，通过逐步分析电机故障机理，确定将电机故障分为两大类（机械故障、电气故障）。利用模型参数φｉ作为初始模式向量并对其进行Ｋ－Ｌ变换，剔除两类故障分类信息的相同点，提取其异同点，将较多维的模式向量压缩为几维的模式向量，并利用Ｆｉｓｈｅｒ分类器，建立分类函数，从而能正确识别电机故障类型。     

基于视觉的钢轨表面缺陷识别方法综述

基于计算机视觉技术的钢轨表面缺陷识别方法凭借其非接触、准确性高、无遗漏、快速高效等优点得到越来越多的关注。其识别流程包括:对采集到的钢轨表面图像进行预处理;采用灰度水平投影等方法提取出钢轨的轨面区域;利用图像分割技术提取出缺陷部分的图像信息;对缺陷特征进行描述,计算出缺陷的特征向量;利用机器学习分类器实现缺陷分类;通过深度学习实现钢轨表面缺陷的识别。基于当前研究难点,指出未来主要的研究方向,包括图像的优化预处理、钢轨表面缺陷的快速准确提取及对基于深度学习的缺陷识别方法的深化完善。     

基于快速S变换的电能质量主成分分析方法

针对电能质量分析中S变换计算量大,及支持向量机分类识别需要设定特征参数的问题,文章将一种新的s变换的快速算法（FST）与主成分分析（PCA）相结合,并应用于电能质量分类识别。首先从FST域提取几种电压扰动的模系数;进而利用PCA进行降维处理并提取主要特征成分;然后获得投影矩阵;最后待识别电压信号投影后,根据最近邻分类器进行分类识别。仿真结果表明,电压扰动FST域模系数的特征成分主要在低频段,因此识别结果准确率高、计算时间短,并且算法本身有一定的抗噪声能力,能较好地实时处理电能质量扰动。     

支持向量机在内燃机车燃油系统故障诊断中的应用

将支持向量机应用到内燃机车柴油机燃油系统故障诊断中,将故障诊断问题转换为故障分类问题,成功地实现了小样本情况下的数据识别.以昆明机务段在修程期间记录的故障数据作为样本,采用1-a-1多类分类器对DF4B型内燃机车燃油系统部分故障信息进行了学习.计算结果显示采用支持向量机的识别方法,故障判断平均准确度可以达到99.2%.     

一种用于大型交通枢纽的跨摄像机行人再识别算法研究

跨摄像机行人再识别是大型交通枢纽安防监控的基本功能,它为后续行人跨摄像机跟踪和行为识别提供支持。由于交通枢纽内行人的外观特征受遮挡、运动形变和光照变化影响显著,且目前常用的行人再识别算法对上述影响因素的鲁棒性不太理想。因此,文章提出了一种适用于大型交通枢纽的跨摄像机行人再识别算法。该算法用1个图像序列代替单幅行人图像作为查询图像,同时,采用系统抽样方法将图像序列进行分组。然后以组为单元进行相似度计算,并将计算结果作为特征训练Adaboost分类器。最后综合各分类器输出结果来判断识别结果。在iLIDS和ETHZ两个具有挑战性的数据集上进行实验,结果表明文章提出的算法优于目前其他行人再识别算法。     

炭素制品X射线图像的缺陷特征选择

针对炭素制品X射线检测图像的特点,对缺陷特征提取与选择技术进行了研究。为排除噪声干扰的影响,采用数学形态学和迭代阈值分割相结合的方法从原始图像中提取缺陷区域。在此基础上,从缺陷样本中提取19个特征值。为提高缺陷模式识别对各种噪声及干扰的鲁棒性,提出以特征组合分类能力数学模型为适合度函数,设计基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行模式分类。研究结果表明,所提出的选择方法可以用于缺陷的识别与分类。     

基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型以单源信息输入为主，这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题，文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图；然后搭建1个具有双输入通道的CNN网络模型，通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征；最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中，较之于单输入通道的CNN模型，该模型具有更高的诊断准确性和鲁棒性。     

基于轮廓线特征的三维人脸识别改进算法

研究基于面部轮廓曲线特征的三维人脸识别。为提取最优面部曲线特征,提出一种基于模糊聚类方法的人脸曲线特征优选算法。该算法从三维人脸深度图中选取最具代表性的8条轮廓曲线,作为主要识别特征,这在很大程度上降低了计算复杂度,克服表情和光照对人脸识别的消极影响,同时它用最少的轮廓线包含了所需要的人脸识别信息。基于这些人脸轮廓线特征,利用改进的Manhattan距离分类器来提高人脸识别的分类效果。实验结果表明,所提出的算法明显提高了人脸识别率,并且具有很强的鲁棒性。     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。