基于U-Net的盐体识别方法

卷积神经网络在计算机视觉领域取得重大突破，利用其强大的图像处理能力，将地下沉积盐体的识别问题转化为图像语义分割问题，应用深度卷积神经网络实现盐体地震图像的像素级语义分割.本文在U-Net基础上，增加网络深度并同时引入批归一化和Dropout处理，使得神经网络模型具有更高的可信度和更强的泛化能力.通过实验发现，在卷积层之后引入批归一化处理，并在池化层和叠加层之后引入Dropout可以稳定提升模型对盐体图像的分割性能.     

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。     

基于FPGA的RFID防碰撞算法的硬件实现

采用改进型二进制树搜索算法,优化了二进制树搜索路径、仲裁中断信道传输及高效随机数产生器的设计,用Verilog HDL语言在RTL级对全算法模块进行了描述,并用ModelSim软件进行功能仿真及时序验证,在Stratix EP1S10F484C5器件上进行防碰撞现场可编程门阵列(FPGA)综合,使射频识别技术(RFID)系统兼容基于位碰撞及非基于位碰撞两种识别机制的硬件设计得以实现.实验结果表明:该改进算法执行效率接近50%,比传统算法具有更高的时分多址(TDMA)信号利用率及平均识别效率,能满足多标签的快速准确识别,起到良好的防碰撞作用.     

中高分辨力遥感图像中飞机目标自动识别算法研究

提出了一种中高分辨力的航空航天遥感图像中飞机目标快速自动识别的新算法。在分割和分类过程中充分利用飞机目标的先验知识,提出了一种改进区域分割方法,并应用树分类器对飞机目标进行自动识别。所提出的改进区域分割方法较好地实现了区域分割中阈值的准确自动选取,克服了复杂背景图像中小目标的全局阈值自动分割的失效问题。采用二叉树分类器,通过提取简单的目标几何特征,分层进行种类识别,提高了识别速度,降低了漏检率和虚警率。运用该方法进行了实验。结果表明,识别率达到了100%。     

基于机器视觉的离散傅里叶变换目标识别方法

提出了一种基于机器视觉与离散傅里叶变换的目标特征识别方法。利用计算机图像技术采集和处理图像信号;利用离散的傅里叶变换对图像数据提取特征,能够更好的辨别数据细节,从而可通过图像的比对来实现目标的识别。该方法在对实际的静止图像进行处理与计算后,能够很好的对图像的细节变化进行识别。     

基于改进的加速鲁棒特征的目标识别

为了提高加速鲁棒特征(SURF)算法的实时性和准确性,本文提出了一种结合AGAST角点检测和改进的SURF特征描绘算法。首先利用AGAST角点检测模板检测特征点,再使用增加对角信息的哈尔小波响应来生成特征点的描述子,之后利用特征袋对产生的描述子进行编码并生成新的特征向量,最后利用支持向量机(SVM)对特征向量进行分类,完成识别。本文以SIFT和SURF算法为对照,分别进行不同视角、光照和尺度的识别实验。实验结果表明,本文算法的平均识别率为98.0%、96.9%、97.1%,平均时间分别为66.1 ms、79.3 ms、41.0 ms,在识别率上较优于SURF算法,所耗时间约是SURF算法的1/3。     

平面团簇稳定结构的蒙特卡罗树搜索

以平面团簇为例提出了一种结合结构识别和蒙特卡罗树技术搜索稳定结构的新方法.体系原子之间的相互作用由两类模型势能函数来描述:Lennard-Jones二体势函数与基于Lennard-Jones势的三体势函数.考虑可能的三角晶格碎片作为候选结构,引入编号策略对结构进行快速识别,并运用蒙特卡罗树搜索研究稳定结构随着原子数增大的演化过程;对于能量较低的候选结构,进一步采取局域优化来获得对应体系的稳定结构.计算表明,Lennard-Jones二体势函数对应的三角晶格团簇更稳定;在特定的参数下,三体势函数对应的六角晶格团簇更稳定.结合结构识别和蒙特卡罗树搜索可以对候选结构空间进行高效扫描,在较短时间内更容易搜索到稳定的团簇结构,并可以与第一原理计算结合实现材料的结构预测.     

EMD与神经网络在气液两相流流型识别中的应用

本文提出了EMD与Elman神经网络相结合的气液两相流流型识别的新方法.将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析、提取IMF能量作为Elman神经网络的输入特征向量,对水平管内的气液两相流流型进行识别.实验结果表明:该方法优于BP网络且稳定、识别率高,具有可行性.     

Speech recognition based on a combination of acousticfeatures with articulatory information

The contributions of the static and dynamic articulatory information to speech recognition were evaluated, and the recognition approaches by combining the articulatory information with acoustic features were discussed. Articulatory movements were observed by the Electromagnetic Articulographic System for reading speech, and the speech signals were recorded simultaneously. First, we conducted several speech recognition experiments by using articulatory features alone, consisting of a number of specific articulatory channels, to evaluate the contribution of each observation point on articulators. Then, the displacement information of articulatory data were combined with acoustic features directly and adopted in speech recognition. The results show that articulatory information provides with additional information for speech recognition which is not encoded in acoustic features. Furthermore, the contribution of the dynamic information of the articulatory data was evaluated by combining them in speech recognition. It is found that the second derivative of articulatory information provided quite larger contribution to speech recognition comparing with the second derivative of acoustical information. At last, the combination methods of articulatory features and acoustic ones were investigated for speech recognition. The basic approach is that the Bayesian Network (BN) is added to each state of HMM, where the articulatory information is represented by the BN as a factor of observed signals during training the model and is marginalized as a hidden variable in recognition stage. Results based on this HMM/BN framework show a better performance than the traditional method.