基于车辆声音及震动信号相融合的车型识别

车型识别技术是智能运输系统的核心。针对目前车型识别方法的不足,提出了一种基于车辆声音和震动信号相融合的车型识别方法。用BCS算法提取声震信号的特征,并在特征级融合形成特征向量,以此作为训练样本对支持向量机的分类器进行训练。对两种车型的声音和震动数据进行处理的结果表明,基于特征级融合的声震信号能够准确识别不同的车型,识别准确率达到86%以上,是一种有效的车型识别方法。     

基于特征融合卷积神经网络的车型精细识别

为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进行特征融合,实现车型的精细识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,该方法的识别精度可达98.94%,模型参数大小仅为4.9 MB。     

深度卷积神经网络的汽车车型识别方法

针对现有汽车车型识别方法计算量大、提取特征复杂等问题,提出一种基于深度卷积神经网络的汽车车型识别方法。该方法借助于深度学习,对经典的卷积神经网络做出改进并得到由多个卷积层和次抽样层构成的深度卷积神经网络。根据五种车型的分类结果,表明该方法在识别率方面较传统方法有明显的提高。实验还研究了网络层数、卷积核大小、特征维数对深度卷积神经网络的性能和识别率的影响。     

基于神经网络的汽车车型识别

介绍了“多品种混流机器人喷漆自动线的汽车车型识别系统”的一种识别方法,主要是运用多层前馈神经网络对自动喷漆线上的汽车车型进行识别。     

基于深度哈希网络的车型识别方法

针对车型识别任务的特点,设计了一种基于深度哈希网络的车型识别方法,实现了在类间差异不明显、样本量较少的情况下进行车型检索和分类。对数据增广方法进行研究,针对车型数据集的特点,提出了适用于车型识别的数据增广方法,有效提升了小样本车型识别的准确率。深度哈希网络采用改进的HashNet网络来快速学习车辆的二值特征表达,针对深度哈希网络使用全连接层导致参数过多的问题,提出了HashNet-GAP网络,以全局平均池化层替换了HashNet中的部分全连接层。相对于HashNet网络,大幅度减少了参数数量,提升了前向计算速度和网络性能。实验结果表明,该车型识别方法能够对类间差距很小的不同车型进行有效识别,在小样本数据集上取得80.0%的Top1准确率,并且能够显著降低模型的存储消耗和内存消耗。     

基于尺度显著性算法的车型识别方法

针对复杂背景的视频图像车型识别,提出了一种利用尺度显著性的车型识别方法。由于尺度显著性对图像均一亮度变化、缩放、旋转以及噪声都具有不变性,因此引入尺度显著性算法提取车辆图像的分类特征。最后采用RBF网络分类验证该方法对多种车型的识别。实验结果表明,提取尺度显著性特征能够有效地识别汽车车型。     

基于注意力引导数据增强的车型识别

车型识别在智能交通系统中发挥着重要作用。受车辆数据不足、车辆类间差异小等因素的影响,传统车型识别方法未充分利用车辆鉴别性区域的特征,导致识别准确率降低。提出一种基于注意力模块引导数据增强的车型识别方法。将ResNet-50作为骨干网络提取车辆特征,同时在网络的每个残差块后均嵌入坐标注意力模块,编码成一对方向感知和位置敏感的注意力图,以增强车辆鉴别性区域的特征表达。在此基础上,利用双线性注意力汇集操作生成增强特征图,通过对增强特征图进行注意力裁剪和注意力擦除,获取具有强鉴别性的增强数据。在Stanford Cars车辆数据集上的实验结果验证了该方法的有效性,结果表明,该方法的车型识别准确率达到94.86%,与RA-CNN、MA-CNN、WS-DAN+Inception-v3等方法相比,能够有效提高车型识别准确率和数据增强效率。     

基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于Log-Gabor小波变换和证据推理的车型识别*

针对车型识别问题,提出了一种基于特征车的车型识别方法——基于Log-Gabor小波变换和DS证据推理的车型识别算法。该算法先对特殊车辆图像进行多分辨率的Log-Gabor小波变换,最后形成车辆Log-Gabor特征。将1-a-1多分类SVM应用于基本概率分配函数的确定,使用证据推理的方法得到车型识别的结果。实验结果表明该方法是有效、可行的。     

基于多特征融合的汽车车型模糊识别方法

车型识别是智能交通系统中的一个重要组成部分.利用计算机视觉、模式识别等理论方法,对车型的有效特征提取与分类识别进行了深入的研究,提出了一种多特征融合的模糊聚类车型识别方法.通过自动调整各维特征的加权系数来调整特征对分类的贡献,结果表明达到了较好的分类效果.     

一种模糊Hopfield网络的学习算法及性质

摘要现基于TL-模Max-TL模糊Hopfield网络(Max-TL FHNN)提出了一种有效的学习算法。对任意给定的模式集合,该学习算法总能找到使该模式集合成为Max-TL FHNN的平衡点集合的所有连接权矩阵中的最大者。任意给定的模式集合都能作为Max-TL FHNN网络的平衡点集合且能使Max-TL FHNN对任意输入在一步内就进入稳定状态,同时该网络对训练模式的摄动具有好的鲁棒性。     

模糊Hopfield网络的收敛性与鲁棒性分析

收敛性与鲁棒性是模糊神经网络的两个重要性质。对带阈值的Max-T模糊Hopfield神经网络（记为Max-T-C FHNN）的收敛性及在训练模式小幅摄动情况下的鲁棒性进行了分析,从理论上给出了严格的证明。发现了采用最大权值矩阵学习算法时,Max-T-C FHNN具有良好的收敛性,同时当T模及其蕴含算子满足Lipschitz条件时,Max-T-C FHNN对训练模式摄动全局拥有好的鲁棒性,用自联想实验验证了理论的有效性。     

一种参数化模糊联想记忆网络的鲁棒性分析

基于最大运算Max以及带参数ξ的t-模Tξ的模糊关系合成,提出一种参数化的广义模糊联想记忆网络Max-Tξ FAM及一种有效学习算法。由于Tξ中参数ξ的作用,在应用中Max-Tξ FAM有更大的适应性和灵活性。从理论上证明采用该学习算法时,对任意 ,Max-Tξ FAM对训练模式摄动的鲁棒性差。通过一个图像联想方面的实验检验了该结论的正确性。     

重抽样方法FHNN及其在入侵检测中的应用

重抽样方法是常用的解决数据非平衡问题的一种有效手段,为提高入侵检测系统的检测效率,降低数据的不平衡程度,提出了快速分层最近邻FHNN重抽样方法,采用两阶段的基于负载均衡策略的高速网络入侵检测模型,按协议类型把KDD’99的训练数据集划分并在每类子集上进行了各种实验。实验结果表明该方法不仅可以很好地删除噪声数据和冗余信息,尤其是类区域内样本,减小数据的不平衡度和样本总量,而且由于算法时间复杂度是线性阶的,在样本数量很大的情况下,运行速度非常快,适合从海量的数据中快速而有效地检测各类攻击。     

MicroARTMAP for pattern recognition problems

Pattern recognition is an important aspect of a dominant technology such as machine intelligence. Domain specific fuzzy-neuro models particularly for the ‘black box’ implementation of pattern recognition applications have recently been investigated. In this paper, Sanchez’s MicroARTMAP has been discussed as a pattern recognizer/classifier for the image processing problems. The model inherently recognizes only noise free patterns and in case of noise perturbations (rotations/scaling/translation) misclassifies the images. To tackle this problem, a conventional Hu’s moment based rotation/scaling/translation invariant feature extractor has been employed. The potential of this model has been demonstrated on two problems, namely, recognition of alphabets and words and prediction of load from yield pattern of elasto-plastic analysis. The second example concerns with color images dealing with colored patterns. MicroARTMAP is also applied to other two civil engineering problems, namely (a) Indian Standard (IS) classification of soil and (b) prediction of earthquake parameters from the response spectrum in which no feature extractor step is necessary.     

面向网络入侵检测的FHNN重抽样方法

为提高网络入侵检测系统的检测效率、降低数据的不平衡程度,在分析现有重抽样方法的基础上,根据网络入侵检测数据集的特点,提出快速分层最近邻(FHNN)重抽样方法,并在KDD’99数据集上进行实验验证。结果显示,该方法可以较好地删除噪声数据和冗余信息,减小数据的不平衡度和样本总量,而且运行速度快,适用于海量数据中的各类攻击检测。     

训练模式摄动对模糊形态学神经网络的影响

在构建神经网络时,采集的训练模式总存在摄动,如何度量这种摄动,提出模糊集摄动度量的新方法.众多学者研究的两类形态学联想记忆网络的存储能力和抗腐蚀/膨胀噪声的能力等性质几乎都相同,但基于这种模糊集摄动的度量方法,研究训练模式摄动对两类模糊形态学联想记忆网络的影响时发现,两类网络对训练模式摄动的鲁棒性差异很大,其中一类模糊...     

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM.利用三角模T的伴随蕴涵算子,为这类Max-T FBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵.对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力.当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性.最后用实验证实了理论研究,也为图像的可靠存储提供了参考.     

Local Kernel Feature Analysis (LKFA) for object recognition

This paper proposes a new Local Kernel Feature Analysis (LKFA) method for object recognition. LKFA captures the nonlinear local relationship in an image via kernel functions. Different from traditional kernel methods for object recognition, the proposed method does not need to reserve the training samples. LKFA is designed to extract the eigenvalue features from the Hermite matrix of a local feature representation, which we have theoretically proven its robustness to noise and perturbations. Experiment results on palmprint and face recognitions demonstrated the effectiveness of the proposed LKFA that significantly improved the performance of the local feature based object recognition method.     

基于PCNN改进算法的手写体识别研究

脉冲神经网络(PCNN)被广泛应用于图像处理、模式识别等领域。提出了一种基于PCNN的凹点检测改进算法。首先改进神经元激励函数,并利用小波收缩法去噪,保持图像的层次性,然后通过凹点检测识别手写体。实验结果表明,提出的方法能有效提高手写字母的识别率,尤其是在噪声环境下,识别率得到大幅提升。