基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先，用小波包对图象进行2层分解，提取每个子频带的能量组成向量为该图象的特征；其次，对待识别图象进行聚类分析，以减少进入支持向量机的样本数；然后，在特征向量输入支持向量机之前先进行缩放处理，以减少运算量和提高识别准确率；最后，用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法，识别的正确率可达98％。     

小波包变换在手写体金融汉字识别中的应用

针对小波包变换的特点,提出了一种基于小波包变换的手写体金融汉字识别算法。该算法首先对汉字图像进行二维小波包分解,利用基于子图像能量方差的准则选择适当的部分分解树;然后将得到的子图像划分成多个局部窗口,计算局部窗口的能量值组成特征向量;再通过主成分分析(PCA)选择分类能力最强的一组特征,降低特征空间的维数;最后,将特征向量送入支持向量机进行分类。实验结果表明,该算法取得了较好的识别效果。     

基于支持向量机分数等级融合的虹膜识别方法

提出了一种使用支持向量机（Support Vector Machine,SVM）的分数等级融合的虹膜识别方法。通过对虹膜纹理采用小波包分解,选择最高能量区域和次高能量区域提取特征向量,与注册入库的虹膜特征向量计算出海明距离。最后融合两个海明距离输入SVM进行识别。该方法减少输入支持向量机的维数。实验结果表明,该法提高了识别率,能够有效地应用到身份鉴别系统中。     

基于小波变换与支持向量机的虹膜识别新算法

为了提高虹膜识别的速度和可靠性,根据虹膜图像的纹理特征,提出了基于修正的精定位和小波变换提取特征向量及基于支持向量机SVM的WED与DSIM虹膜分类识别ISD算法,抽样实验证实了该算法的有效性和可靠性.     

基于独立成分分析和核向量机的虹膜识别方法

针对虹膜识别过程中的特征提取及识别问题,提出了用独立成分分析提取虹膜特征,用核向量机进行识别的方法.从采集到的人眼图像中定位虹膜,并对其进行归一化处理和图像增强处理.用独立成分分析提取统计独立的特征,通过选择合适的特征个数可以达到较高的识别准确率.在得到虹膜特征编码后,用核向量机进行分类判决,核向量机是一种适合大规模数据集的快速支持向量机训练算法,并将结果与支持向量机的分类结果进行了对比.实验结果表明了该方法的可行性和有效性.     

支持向量机虹膜识别算法研究

提出一种基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别方法.利用形态学和圆形边缘检测算子定位虹膜,并将虹膜纹理映射到极坐标空间;定义了一种新的图像分敷维--极值加权平均分数维,用于提取虹膜特征;利用支持向量机分类器对虹膜特征矩阵进行匹配识别.试验表明,基于极值加权平均分数维特征提取和支持向量机分类嚣识别的虹膜识别系统识别率高,速度快.     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵.然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的.     

基于支持向量机的超声检测缺陷识别研究

为解决超声检测领域传统人工神经网络方法对于小样本进行缺陷识别时存在的泛化能力差和过学习等问题,提出了一种基于支持向量机的超声检测缺陷识别方法.先使用小波分解对信号进行降噪,再使用小波包变换提取特征值,构造多类分类支持向量机进行缺陷识别.实验结果表明,支持向量机方法具有识别率高、泛化能力强等优点,能够应用于超声检测缺陷识别领域.     

基于小波变换和支持向量机的火灾识别算法

为了提高火灾检测方法的环境适应能力,研究了一种基于小波变换和支持向量机的视频火灾识别算法。提出了火焰颜色概率模型对疑似火焰区域进行分割,经过小波变换分析疑似火焰区域高频子图能量信息,对其一维能量信息进行二次小波变换得能量变化趋势和闪烁频率。将提取火焰的能量变化趋势,闪烁频率和火焰面积变化率作为支持向量机的输入特征参数,实现了火灾识别。实验结果表明,该算法有较高的识别准确率,较强的环境适应能力。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

分块小波特征结合BP神经网络的虹膜识别方法

在对虹膜特征提取时,绝大多数方法是直接对虹膜归一化后的增强图像进行某种变换,为降低虹膜特征维度,同时保证识别效率,提出了对归一化虹膜径向折叠分块、环向周期分块再进行haar小波变换的方法,降低了虹膜区域对噪声的敏感性,在减少虹膜特征维度的同时,保证了虹膜有效特征不被中和。为进一步克服虹膜识别中对旋转的敏感性,采用了周期延拓的小波变换方式提取高频信息。最后利用BP（Back Propagation）神经网络的分类方法,将小波变换后的高频信息直接作为分类器的输入,进一步提高了虹膜识别正确率。实验表明,提出的方法特征点数低至120,正确识别率可达到99.48%。     

sEMG信号采集电路设计及其特征提取算法

表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

一种基于小波过零检测和SVM的虹膜识别方法*

提出了一种新的基于SVM的虹膜识别算法,通过对虹膜纹理采用小波变换来实现特征提取,最后通过SVM完成模式匹配。实验结果表明,该算法识别率高并可有效地应用于虹膜身份鉴别系统中。     

基于DWT-DCT-SVM的人脸表情识别

提出了一种基于二维离散小波一离散余弦变换-支持向量机（DWT-DCT-SVM）面部表情识别算法。该算法先利用DWT在不明显损失图像信息的基础上对表情图像进行变换，变换后的图像数据量大大减少。再利用DCT提取代表原图像绝大部分能量的数据作为表情特征矢量，最后利用SVM来识别。实验表明：本算法提取的500个数据长度的表情矢量在一定条件下能较准确地识别出通用的6种表情，但是泛化性能较差。     

一种基于小波包分解的虹膜防伪检测方法

虹膜识别系统易受到伪虹膜的攻击,包括利用打印在隐形眼镜、玻璃眼或其他材料上的假虹膜纹理进行的攻击,所以检测出假虹膜的防伪算法至关重要。为此,提出一种利用小波包分解进行特征提取的虹膜防伪检测方法。首先对目标图像进行二级小波包分解,然后计算各子带图像的熵,最后将各子带图像的熵值之和作为提取的特征值。实验在包含500幅虹膜图像的数据库中进行,结果表明此方法可以有效地将真假虹膜区分开来。     

基于平移不变预处理的小波变换的虹膜识别算法

普通的离散小波变换具有平移敏感性，无法稳定地表示小波域下的虹膜特征．为了减弱虹膜图像的旋转变化对小波分解系数的影响，提出一种基于虹膜的方向能量分布序列的平移不变预处理方法，以校正虹膜纹理图像角度旋转变化．通过对小波变换系数进行阈值化处理，以双位二进制形式编码虹膜特征．在验证模式下，采用加权Hamming距对未知虹膜进行多模板匹配得出识别结果．基于虹膜图像库进行比对实验，结果表明，增强了小波变换编码虹膜特征的可用性，能够有效地进行虹膜识别．