基于支持向量机的字符编码识别系统

基于支持向量机设计了一种产品字符编码识别系统,该系统通过CCD视觉传感器采集图像信息,经过目标提取、字符分割、编码识别过程,最后输出识别结果.其中,识别过程采用支持向量机作为判别函数分类器,该方法能较好的解决小样本、非线性、高维数等实际问题,并且较传统的神经网络识别方法训练速度更快.实验结果表明,该方法识别率高,可以达到98.3%,并且具有较高的实时性.     

基于人类视觉系统的交通标志优化分割方法

交通标志的有效分割是交通标志识别系统中的关键问题.针对禁令标志颜色特征,结合人类视觉系统的颜色感知特点,首先以颜色分量R（红）、G（绿）、B（蓝）作为输入特征量构造颜色特征粗分类器,再通过计算粗分类结果的特征量与红色特征类标准样本中心的矢量余弦,得到颜色相似度特征灰度图,用改进的Otsu方法实现标志的最终分割,最后给出了通过训练粗分类器优化分割结果的方法.实验结果表明,本文的分割方法可在不同气候条件下,有效地提高交通标志分割效率,具有较好的鲁棒性.     

认证码字符识别方法的研究

从加强网站安全性的角度,研究认证码字符识别的技术要点.首先,提出预处理算法去除图像中的干扰因素,分割出字符;其次,采用分类器技术对预处理后得到的字符进行识别.实验指出有效的预处理算法和选择合适分类器对于快速准确识别认证码起着至关重要的作用,证实了目前一些认证码在保障网站安全性的同时,尚存在一些漏洞,需要继续完善.     

一种改进Haar-like特征的车辆识别算法

传统的Haar-like特征算法在特征提取过程中仅对图像全局进行特征提取,忽略了目标敏感区域,易受非目标区域的干扰,导致识别率降低.本文对传统的Haar-like特征提取算法进行了改进,将图像分成三个区域,运用的矩形框模板分别从这三个区域中提取像素值,将其中两个区域的像素值减去两倍的另外一个区域的像素值作为特征值.采用高斯随机测量矩阵对高维度的特征值进行压缩,运用Adaboost分类器训练方法,利用构造好的分类器对压缩后形成的特征空间进行分类识别.实验结果表明,本文的方法不仅减少了分类器所需的训练时间,而且识别性能也优于Haar-like特征、颜色纹理融合等传统算法.     

基于迁移学习的自然环境下香梨目标识别研究

为了准确识别自然成熟的香梨果实,使得采摘机能对水果目标进行精确的定位,提出了使用目标检测深度学习网络模型的方法.该模型基于Mask R-CNN,首先通过在Kaggle数据集以及网上爬取并筛选出的9 600张水果图片对Resnet网络进行初步训练,然后在预训练过的Resnet网络基础上加入掩模分支和分类分支训练自然环境下成熟香梨的数据集,最终获得准确识别香梨目标的网络模型.实验结果表明,在同等目标未添加噪声的情况下,在使用水果图片数据集预训练的基础上,图片的平均分割精度为98.02%,这与使用COCO数据集进行预训练相比(精度为93.72%),平均分割精度增加了4.30%.此外,该模型对于被遮挡水果也有着不错的识别效果,在未添加噪声的情况下,被遮挡水果的平均分割精度为95.28%,这与未被遮挡水果的分割精度相比,误差仅增加了2.74%.所以,此模型对于香梨的识别和分割具有很好的鲁棒性.     

基于加权K最近邻改进朴素贝叶斯自训练算法

针对传统半监督自训练方法在学习朴素贝叶斯分类器过程中容易误标记无标记样本,且整个过程未能利用到训练样本的空间结构信息,导致正确率不高的问题,提出了一种基于加权K最近邻改进朴素贝叶斯自训练算法。该算法利用加权K最近邻算法计算出无标记样本的隶属度,通过隶属度选出与已标记样本空间结构相近的样本,使得朴素贝叶斯分类器在一个较好的空间结构上对未标记样本进行分类,充分地利用样本的空间结构信息,从而降低了自训练过程中的迭代错误。在UCI和Kaggle数据集上的对比实验结果表明,该方法的性能相对于传统半监督自训练算法有所改善。     

网络流量异常检测方法：SSAE-IWELM-AdaBoost

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted extreme learning machine,WELM)。该方法首先使用堆叠稀疏自编码网络直接从原始流量数据中自动学习并提取特征,获取原始数据的低维抽象表示,然后以WELM作为集成算法(AdaBoost)的基础分类器,利用修改的训练样本权值分配规则和基分类器权值更新公式迭代训练基分类器,通过加权投票表决的方法得到最优强分类器完成网络攻击流量的识别。在UNSW-NB15数据集上进行仿真实验,实验结果表明,SSAE-IWELM-AdaBoost算法可以提高整体的检测精度以及小样本攻击的检测率,缩短分类器的训练时间,能较好地满足大规模网络环境下原始流量数据实时检测,对不均衡流量数据识别也具有较好的表现。     

基于工作电流分析的回转副摩擦状态识别实验研究

回转副摩擦状态的变化对机械设备的运行有着重要影响. 针对回转副摩擦状态的识别问题, 设计了以回转副工作电流为摩擦特征来源的实验方案. 通过采集摩擦过程的回转副驱动电机工作电流信号, 分析实验信号的频域和时频域特征, 建立工作电流的摩擦特征库, 用于训练多分类支持向量机分类器, 并在分类器上完成摩擦状态的识别. 实验结果表明, 经特征提取与降维处理后建立的多分类支持向量机分类器具有近90%的识别正确率, 所提出的实验方案有利于实现远距离信号的采集, 适用实际生产加工.     

基于受限玻尔兹曼机的电能质量复合扰动识别

针对目前电能质量混合扰动识别精度不高的问题,引入了受限玻尔兹曼机(RBM)算法。RBM是深度学习的一种新颖算法,在语音识别、机器视觉和图像恢复等领域已取得了很好的应用成果,但在电能质量复合扰动识别上尚未涉及。区别于传统算法提取特征的方式,深度网络通过提取波形的固有抽象特征,克服了人工特征选择的缺陷以及传统神经网络训练时收敛速度慢、容易限于局部最优的缺点。复合扰动信号经过深度网络自动获得特征参数,再经过分类器进行分类识别。实验验证该算法在电能质量复合扰动识别上可以达到很高的性能,优于传统的识别方法。 更多还原     

扩展型HMM在表情识别中的应用研究

根据表情与人脸表情特征关系,提出采用隐马尔可夫模型进行人脸表情识别;又鉴于人脸图像二维特性,提出了更具健壮性、更易处理二维数据的扩展型隐马尔可夫模型.该模型相比伪二维隐马尔可夫模型,简化了复杂度.为提高模型的识别效率,根据敏感度不一,提出多重感兴趣区域替代单一的感兴趣区域.为提高表情子库内样本的聚合度及库间样本离散度,提出相应的改进方案.首先通过人脸检测,实现表情样本采集;然后采用二维离散余弦实现图像频域转化,并结合低频数据生成特征向量;最后采用扩展型隐马尔可夫模型进行表情建模,实现表情训练与识别.实验表明：采用扩展型隐马尔可夫模型可有效识别表情,尤其是优化后的设计方案.     

基于联合神经网络学习的中文电力计量命名实体识别

随着电力计量业务的不断扩展，迫切需要由业务信息、技术知识、行业标准及其内在联系所组成的电力计量知识图谱，为电网的决策和发展提供更为全面有效的支持。命名实体识别是构建知识图谱的基础。针对电力计量领域需要，结合中文分词技术特点，基于联合学习思想，提出了一种基于联合学习的中文电力计量命名实体识别技术。该技术联合CNN-BLSTM-CRF模型与整合词典知识的分词模型，使其共享实体类别和置信度；同时将2个模型的先后计算顺序改为并行计算，减少了识别误差累积。结果表明，在不需要人工构建特征的情况下，方法的正确率、召回率、F值等均显著优于以往方法。     

基于变分高斯混合模型的图像分割算法

提出了一种基于变分推断的高斯混合模型的图像分割算法. 该算法首先用贝叶斯混合高斯模型对图像的特征进行建模, 并针对模型的参数学习问题, 利用变分推断算法估计模型的参数及其后验概率; 这种方法比采样法的计算量更少, 而且能够根据图像数据自动优化混合个数, 实现了模型的自动选择. 最后, 该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较, 结果表明此方法得到的图像分割结果精度较高, 具有较好的性能.     

矿产预测中的成矿因子选择方法：以滇东南金矿预测为例

由于矿产地质信息的复杂性和不确定性,难以建立精确的数学模型来确定矿产资源的分布状况.非线性分析建模技术,如人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）等,给矿产预测工作提供了新的途径.这类方法在处理数据时可以避免数据分析和建模的困难,即不须理解各种成矿因子与矿床（点）之间的相互关系,只须选择已知的矿床（点）和非矿产（点）,进行＂黑箱＂学习.虽然经过合理的训练,这类方法能够得到较高的预测精度,但由于其分类过程的非线性特性,难以获得容易理解的分类规则,提供成矿因子的知识.本文采用基于SVM的迭代特征消去（Recursive Feature Elimination,RFE）技术（SVM-RFE）,即在SVM模型的训练过程中,采用RFE特征选择方法,从所有输入的成矿因子中选择出对矿床（点）能正确预测的重要因子,以提供对输入模型的成矿因子的客观评价.通过对滇东南地区金矿预测的实践表明,采用SVM-RFE技术从原始10类成矿因子中自动选择6类进行预测的精度从68.42%提高到94.74%,并且得到该区域进行矿产预测的成矿因子重要性依次是：Au异常、As异常、侵入岩、下三叠统与中三叠统之间的平行不整合面、上二叠统与三叠系的平行不整合面、断裂交汇点密度、石炭系和下二叠统间的平行不整合面、中上泥盆统和石炭系间的平行不整合面、Sb异常和Hg异常,从中选取前6类成矿因子进行SVM训练得到的预测精度最高.这一结论可为在该区域进行矿产预测的资料选取,以及对成矿因子的理解提供支持.     

钱塘江河口盐度的神经网络模拟

盐水入侵会对潮汐河口饮用水源地产生影响,河口盐度的合理预测对饮用水源地取水安全和水库泄水抑咸调度有重要意义.以上游流量和下游潮差为控制条件,建立模拟钱塘江河口盐度变化情况的神经网络模型.首先对输入数据作归一化处理,利用上半年观测数据对模型进行反复训练,进而后报下半年盐度.模型输出数据反归一化所得到的结果与实测盐度数据比较,两者较为一致.表明基于河口盐度与上游流量和下游潮差间映射关系所建立的神经网络模型可有效地模拟潮汐河口的盐度变化.利用神经网络方法模拟了上游流量变化条件下钱塘江河口某测站的氯化物浓度.结果显示,当利用上游水库泄水来抑制河口咸水入侵时,采用降序流量过程可更有效地减小盐水入侵对饮用水源地的影响.     

两栖类体节发生的研究——体节中胚层分节和细胞重排模式

本文详细地观察了东方蝾螈胚胎发育期间体节中胚层的分节和玫瑰花瓣形结构形成的过程。东方蝾螈胚胎的体节中胚层分节始于分期21,随后以每个分期大约形成2对体节的速度向尾端进行,至蝌蚪孵化期结束。在整个体节发生过程中,成肌细胞经历了两次细胞重排运动方形成功能性体节。文     

基于结合Transformer和卷积神经网络的生成对抗网络在磁共振成像中分割胎盘组织（英文）

磁共振成像(MRI)胎盘组织的准确分割对于研究妊娠和分娩并发症具有重要意义,但传统放射科医师的人工标注难以保证分割准确性和客观性,且费时费力.为了开发用于MRI中胎盘组织自动分割的深度学习模型,提出了结合Transformer和卷积神经网络(CNN)的生成对抗网络(TCGANet).将特征嵌入模块与跳跃连接相结合,缓解传统特征融合方法带来的信息丢失.在此基础上引入内容提取模块,采用Transformer的自注意力机制捕捉全局依赖关系,有效表示MRI的全局和局部信息.此外,鉴于传统分割方法难于精确界定MR影像胎盘组织边缘的问题,运用判别网络对胎盘组织分割的生成网络监督,以提高胎盘边缘界定的精度.结果表明,该模型在定量指标和边界定位精度方面显著优于现有分割方法,其中准确度为0.993±0.003,灵敏度为0.903±0.093,特异度为0.996±0.003,Dice相关性系数为0.861±0.141.对模型不同结构的消融实验验证了网络结构设计的合理性,大部分性能指标明显优于现有方法(P<0.05).该模型能够实现自动且准确地分割MRI中胎盘组织.     

多源异构土地基础数据一体化管理检索方法研究

为了从多源异构的复杂土地基础数据中快速准确地提取用户所需信息,提出了基于元数据的一体化管理检索方法.在元数据信息提取、元数据加权索引、实体同义词扩展检索3个环节中,结合土地领域专业知识和用户实际需求,设计和开发了共享元数据表结构、加权元数据中字段相对重要性和信息熵因子,构建地名实体和专题数据层实体同义词库,并集成到包括中文分词、实体识别、同义词扩展、索引检索和相似度计算的一体化管理检索框架中,解决了多源异构土地基础数据统一管理和精确检索的问题.实践表明,该方法较传统的通用信息检索方法具有更好的适用性和更高的准确率.     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

基于Nutch的医疗搜索引擎的研究与开发

针对当前大众借助网络获取医疗信息的需求日益增强,以及通用搜索引擎获取专业领域信息时准确性差、效率低下的缺点,本文设计了基于nutch组件的医疗垂直搜索引擎。该系统实现了中文分词功能,通过文本训练得出了专业词库,运用空间向量模型算法对网页进行医疗主题相关度的计算,实现了网页过滤功能,并在排序算法中加入了主题相关因素。测试结果表明：该系统相对于通用搜索引擎,在获取医疗行业信息方面具有更高查准率,减少了不相关信息的干扰,使医疗信息的查找与定位更精确,能够为大众提供更具针对性的服务。