基于长短时记忆神经网络的能谱核素识别方法

针对新兴的能谱核素识别方法在混合放射性核素的噪声环境中存在识别速度慢、准确率较低等问题,提出了基于长短时记忆神经网络(LSTM)的能谱核素识别方法。实验使用溴化镧(LaBr3)晶体探测器,分别对环境中60Co、137Cs放射性源分组测量得到能谱数据集,首先使用数据平滑方法和归一化方法进行数据预处理,然后将能谱数据按时间序列分组以获得可用的输入序列数组,最后训练LSTM模型得到预测结果。通过基于BP神经网络和卷积神经网络(CNN)的两个能谱识别模型进行对比,得到在测试集中平均识别率分别为83.45%和86.21%,而LSTM能谱识别模型平均识别率为93.04%,实验结果表明,该能谱模型在核素识别效果中表现较好,可用于快速的能谱核素识别设备上。     

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。      

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉,提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型,采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果,对光谱数据进行光调制和归一化等预处理并截取有效波段,根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典),通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差,将最小投影误差对应的类作为测试样本的所属类别,并应用留一法进行交叉检验,比较了稀疏表示法与支持向量机的识别结果。实验结果表明,利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上,获得了较好的分类效果,优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取,适用于高维、小样本量数据的处理,计算成本低,将其用于注水肉的光谱数据识别具有一定的创新性,并取得了较满意的结果,为原料肉和注水肉的无损识别提供了一种有效方法。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉, 提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型, 采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果, 对光谱数据进行光调制和归一化等预处理并截取有效波段, 根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典), 通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差, 将最小投影误差对应的类作为测试样本的所属类别, 并应用留一法进行交叉检验, 比较了稀疏表示法与支持向量机的识别结果。实验结果表明, 利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上, 获得了较好的分类效果, 优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取, 适用于高维、小样本量数据的处理, 计算成本低, 将其用于注水肉的光谱数据识别具有一定的创新性, 并取得了较满意的结果, 为原料肉和注水肉的无损识别提供了一种有效方法。     

基于信号稀疏分解的水下回波分类

针对表面起伏不平的水下底质回波分类效果差的问题,提出一种新颖的基于信号稀疏分解理论的水下底质回波特征提取方法。本方法并不使用通用时频字典,而是针对回波分类这一中心任务直接采用回波训练样本集作为字典,将水下回波信号在该字典上进行稀疏分解,然后提取出回波信号的类别能量特征。对水下钴结壳等三类底质回波分类实验表明,基于信号稀疏分解的类别能量特征的fisher分布明显优于小波域模极大值边缘特征和奇异值特征,从而显著提高了水下回波的分类效果。研究结论:在回波特征提取阶段,采用回波样本作为信号表达字典是可行的,同时由回波样本字典引入的回波类别信息将有助于获取更优的回波特征。      

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。     

基于人眼视觉皮层系统的SAR图像目标识别

人眼的视觉系统是已知最复杂最精确的目标识别系统;针对现有浅层学习模型提取SAR图像目标特征效果不理想、普适性不强及目标识别精度不高等问题,参考人眼视觉系统的分层特征提取机制提出了一种深层特征提取目标识别算法;算法首先提出一种针对SAR图像的预处理方法,在特征提取阶段应用多层稀疏自动编码器,通过逐层减少神经元数目使编码器学习得到输入数据的压缩表示,从而提取得到更抽象更鲁棒的目标特征;采用MSTAR数据库3个目标进行实验,试验结果表明,算法能很好地对MSTAR目标进行特征提取和识别,类比原有的方法有较高的识别准确率,达到96.7%。具有较强的实用性。     

压缩感知光谱重构中的字典原子选取优化方法

针对常用的迭代追踪类算法难以保证低采样下光谱重构的成功率与精度的问题,提出了一种在低采样下光谱重构中字典原子选取的优化方法。利用AVIRIS和ROSIS高光谱数据构建光谱稀疏字典并进行压缩感知光谱重构实验,分别从光谱重构精度、稀疏成分提取能力、光谱重构的成功率和光谱识别的准确率等不同角度进行了分析。实验结果表明,本文方法不仅优于传统的匹配追踪算法,同时也优于公认的精度较高的FOCUSS、MSBL等其他类型的算法。     

联合矩阵低秩逼近和稀疏表示的高分辨率遥感影像目标识别方法

针对高分辨率遥感影像地物信息复杂、目标识别率低等问题,提出了一种联合矩阵低秩逼近的稀疏表示遥感影像目标识别方法。对原始遥感影像进行Radon变换,将处理过后的遥感影像进行低秩和稀疏分解,得到具有低秩性和稀疏性的两部分信息;通过K-SVD算法分别对这两部分信息进行字典学习,构建稀疏表示的判别字典;通过稀疏表示求解算法求解出待分类的目标在判别字典上的稀疏系数,根据稀疏系数最大准则对目标进行分类识别。在Uc Merced数据集上选取具有代表性的线性和非线性子集分别进行实验,结果表明所提算法与传统的SRC、SVM、MLC和KNN等分类识别算法相比,在采样比例为1/16、稀疏度为5时,识别率在线性子集上能够提高10%、在非线性子集上能够提高5%,表明所提方法具有较好的识别效果。     

基于非负矩阵分解的次声信号分类方法*

在中国科学院声学所大气次声波观察网实地采集的,爆炸、地震、闪电、再入四类次声事件105组阵列数据集的基础上,提出应用非负矩阵分解的特征提取方法,对次声信号的计算机自动分类方法进行了研究。针对特征设计过程复杂的问题,本方法使用非负矩阵分解自动挖掘目标信号的隐含结构作为特征。将此特征作为支持向量机和卷积神经网络输入进行分类,以提高特征设计的效率与分类的识别准确率。研究结果指出,在测试集上的平均识别准确率达到了83.13%, 相对于传统方法,简化了特征设计过程,并取得更好的分类结果。     

Deceptive Chinese speech detection based on sparse decomposition of cepstral feature

In order to improve the performance of deception detection based on Chinese speech signals, a method of sparse decomposition on spectral feature is proposed. First, the wavelet packet transform is applied to divide the speech signal into multiple sub-bands. Band cepstral features of wavelet packets are obtained by operating the discrete cosine transform on loga?rithmic energy of each sub-band. The cepstral feature is generated by combing Mel Frequency Cepstral Coefficient and Wavelet Packet Band Cepstral Coefficient. Second, K-singular value decomposition algorithm is employed to achieve the training of an over-complete mixture dictionary based on both the truth and deceptive feature sets, and an orthogonal matching pursuit algorithm is used for sparse coding according to the mixture dictionary to get sparse feature.Finally, recognition experiments axe performed with various classified modules. Experimental results show that the sparse decomposition method has better performance comparied with con?ventional dimension reduced methods. The recognition accuracy of the method proposed in this paper is 78.34%, which is higher than methods using other features, improving the recognition ability of deception detection system significantly.     

基于BLCD分解与ACO-DBN网络的光纤振动信号识别

针对光纤振动信号受噪声干扰严重、特征提取单一和识别时间长的问题,提出了改进的局部特征尺度分解和蚁群算法优化深度置信网络的识别方法.首先,采用三次B样条函数插值拟合均值曲线改进局部特征尺度分解算法,并对原始信号进行分解得到一系列内禀尺度分量之和.其次,利用峭度因子和能谱系数构成融合指标筛选有效分量.然后,分别提取有效分量...     

基于小波分解的光谱特征提取算法研究

物质的光谱曲线反映了其独特的反射特性,利用光谱可以进行物质的分类识别工作。由于光谱曲线数据量较大、吸收特征不明显等特点,光谱曲线的特征提取是高光谱影像分类识别中的一个关键问题之一。该文利用小波分析技术通过对原始信号的分解,以及测量目标光谱特征的吸收宽度,确定了小波分解尺度,达到突出目标光谱吸收特征而抑制非相关特征及噪声的目的。通过实验表明,该方法可有效地降光谱维数,提高了光谱匹配识别精度。     

基于时频分帧能量熵的陶瓷制品敲击声波信号特征识别

针对现有陶瓷制品敲击声波信号特征提取方法中提取的特征代表性降低的问题,该文提出结合最大重叠离散小波包变换(MODWPT)和时频分帧能量熵的特征提取方法。首先采用MODWPT将信号分解为4层,再对每个节点的子信号分帧后计算各个节点的时频分帧能量熵,然后根据能量分布特征选择了前6个节点的时频分帧能量熵特征,最后构建随机森林分类器完成识别。将该方法和MODWPT时频分段能量熵、MODWPT归一化能量特征两种方法进行比较。实验结果表明,相比MODWPT时频分段能量熵、MODWPT归一化能量两种特征提取方法,MODWPT时频分帧能量熵能提升特征的代表性,具有更优的陶瓷制品敲击声波信号特征识别性能,其识别的F₁值达到了98.46%,相比上述两种方法分别提升F₁值3.22%、1.86%。     

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

拉曼光谱特征提取在化学纤维定性鉴别中的应用

拉曼光谱作为快速、无损的检测技术受到越来越广泛的关注,已经成功的应用于过程监控、质量监测、考古鉴定等领域。针对纺织纤维拉曼光谱的特性,提出了一种基于特征提取的拉曼光谱定性鉴别方法。该方法通过直接测取织物、纤维的激光拉曼光谱,并结合光谱预处理技术与特征峰提取、匹配识别方法,能够定性地鉴别织物、纤维的成分归属,对纺织品检验中的难点化学纤维成分的鉴别效果尤其显著。利用94份测试样品对织物成分中普遍存在的4种纤维品种——涤纶、腈纶、锦纶和粘胶进行了鉴别以验证算法的有效性。实验结果表明,该鉴别方法快速、有效,并具有很好的扩展性能,且该方法属纯粹的光学方法,需要样品量少、无需前处理,测试过程对样品无损,不产生化学污染物,适宜对各类织物成分的定性鉴别,突破了现有检测方法存在的局限。