东巴象形文字特征曲线提取算法研究

东巴文是一种原始的图画象形文字,要提高东巴文字的识别率,准确提取字符的 特征曲线是关键。现阶段对东巴文字的检索和识别研究大多仍停留在使用已有的、通用的及成 熟的识别技术,对东巴文字本身的分析和讨论较少。因此,结合东巴象形文字的形态特征和结 构要素,给出了基于链码的连通域优先级标记算法(CDPM),该算法通过扩展 Freeman 链码在边 缘检测及曲线局部分割方面的功能,实现了使用一种算法完成轮廓型及结构型两种不同类型东 巴字素的特征曲线提取,通过大量实验及与其他经典边缘检测算法的比较表明,CDPM 算法具 有良好的通用性、可扩展性及健壮性,并且准确率达到了 98.2%,从而为东巴文字的检索和识 别奠定坚实的基础。     

基于Python的单词纠错算法研究

自然语言理解是人工智能的重要研究领域之一,其中最常见的算法有编辑距离,metaphone,n-gram算法,本文基于python编程实现了自然语言理解中上述的三种算法,在此基础上对算法的识别准确率,运行效率进行了分析,并对比了上述算法在不同参数下的性能表现。通过本文的研究,阐明了上述三种算法的不同应用领域以及纠错的效率,为单词纠错研究提供有益参考。     

基于Gist和IPCA算法的多文种离线手写签名识别

由于离线手写签名图像有效的笔画部分普遍比较稀疏,存在大量的无效白色背景,目前常用的特征描述方法会使得得到的特征数据存在大量冗余,影响识别准确率。识别准确率的提高,需要依赖大量的训练数据和提取多个特征并进行融合,但这样又会因特征数据过多和维度过大而造成计算困难,影响识别效率。为此,提出了一种基于Gist和IPCA算法的多文种离线手写签名识别方法,利用Gist特征聚焦图像的整体布局和笔画部分,同时利用IPCA算法的批处理能力来提高识别效果和运行效率。使用中、英、维3种语言的实验数据集,并使用SVM分类器进行识别实验。结果显示,3个数据集上的识别准确率分别为97.97%,98.43%和97.19%,3种数据混合后的识别准确率为97.70%。经过对比分析可知,提出的方法与之前的相关方法相比明显较优。     

基于深度学习的电机外观缺陷智能检测系统设计

针对电机外观缺陷检测通过人工检查方法准确率偏低、误判率高、严重影响电机出厂质量等问题,通过分析电机外观缺陷类型,设计了一种基于深度学习方法的智能视觉检测系统,该系统方案由训练服务器、工业视觉控制器、工业相机、LED光源和控制器以及数字IO模块构成,融合了深度学习与传统CV视觉检测算法,采用了全新的系统架构与快速部署设计方案,实现了自动化、高精度的视觉识别检测,在效率比人工高几倍的同时,还能通过增量训练不断提升推理的准确率。尤为重要的是,实现这一效果仅需要在通用CPU平台上实现,进一步降低了成本,提升产线运行效率和质量。     

基于数字图像处理的玻璃缺陷在线检测系统

研究了一种基于数字图像处理的玻璃缺陷在线检测系统,实现了对玻璃缺陷的实时检测、识别和分类,在缺陷提取上运用的是一种改进的归一化互相关算法,该算法可以显著提高图像的匹配速率和缺陷检测效率,在检测效率上比传统的算法提高了25.7%;在缺陷的识别分类上研究采用的是一种改进的支持向量机算法,该算法在检测精度和效率上都有较大的提高,在缺陷种类的识别上,其准确率可达到95%。     

基于LightGBM的改进表面肌电信号手势识别研究

为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型.传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势.将臂环采集到的8通道sEMG数据按时间顺序进行...     

基于灰色关联分析的中文新闻事件关联性识别

针对中文新闻事件关联性识别准确率较低的问题,提出一种基于灰色关联分析(GRA)的中文新闻事件关联性识别算法,该算法是一种多因素分析法。首先,通过分析中文新闻事件的特性,提出三个影响事件关联性的因素,分别为触发词的共现性、事件的共享名词以及事件句的相似度;其次,对多个影响因素进行量化处理,计算每个影响因素的影响权值;最后,运用GRA将多个影响因素结合在一起,建立事件之间的灰色关联性分析模型,实现事件关联性识别。通过实验验证了三个影响因素对事件关联性识别的有效性,而且相对于只考虑单一影响因素的关联性识别算法,所提算法提高了事件关联性识别的准确率。     

一种基于机器视觉的试卷分数智能识别系统设计

针对目前学校试卷分数人工试卷检查的速度慢、效率低、容易出错等问题,提出了一种基于机器视觉技术的试卷分数智能识别检测系统。通过开发的试卷分数轮廓边缘提取算法,对试卷不同尺寸大小的分数字体轮廓进行识别,结合文字OCR识别算子实现对试卷分数的快速识别和检测。通过对试卷分数识别试验可以得出,该系统能快速的识别试卷不同尺寸大小的分数,且具体效率高、准确率高等特点,具有较大的应用推广价值。     

基于多尺度Harris角点的图像文字检测

为解决传统的基于Harris角点的图像文字检测算法易受非文字角点干扰,检测准确率低的问题,提出一种基于多尺度Harris图像文字检测算法.该算法在多个尺度下提取角点,并利用分块方法分析文字局部特征,有效剔除了非文字角点.使用多次迭代逐步剔除非文字区域角点,精确提取备选块中的文字角点;通过区域融合形成文字区域,用轮廓跟踪法标识文字区域.实验结果表明,该算法明显提高了图像/视频文字检测的稳定性和准确率.     

基于电流特征的电梯运行状态监测装置研制

电梯非正常停机识别是电梯运行安全监测和故障报警的基础。介绍一种基于电流特征的电梯运行状态监测方法,研究基于快速模板匹配的电梯非正常停机识别算法,开发电梯运行状态监测装置的硬件和软件,实现电梯非正常停机识别、停电监测和故障报警。试验表明：该方法可行,装置安装容易,识别准确率高,报警及时有效。     

基于Hadoop平台的一种改进K-means文本聚类算法

K-means算法是进行文本聚类时使用最为广泛的一种推荐算法之一.该算法在进行文本聚类时每个属性的作用是同等的,而实际中每个属性对文本的影响是不同的,导致聚类效果受到影响.针对该缺点,通过引入属性权重提出了一种改进的K-means聚类算法,并在Hadoop平台加以实现,以更好体现改进算法的效率.通过实验进行了测试,表明...     

基于Hadoop的大规模网络安全实体识别方法

随着大数据时代的到来,如何从多源异构数据中准确地识别网络安全实体是构建网络安全知识图谱的基础问题。因此本文针对网络安全相关文本数据,研究支持海量网络数据的安全实体识别算法,为构建网络安全知识图谱奠定基础。针对海量的文本类网络数据中安全实体的高效精准抽取问题,本文基于Hadoop分布式计算框架提出改进的条件随机场（conditional random fields,CRF）算法,对数据集进行有效分割,实现安全实体的高效准确识别。在大规模真实网络数据集上的实验证明,本文提出的算法达到了较高的网络安全实体识别准确率,同时提高了识别的效率。     

一种基于Canopy和粗糙集的CRS-KNN文本分类算法

针对KNN算法的分类效率随着训练集规模和特征维数的增加而逐渐降低的问题,提出了一种基于Canopy和粗糙集的CRS-KNN（Canopy Rough Set-KNN）文本分类算法。算法首先将待处理的文本数据通过Canopy进行聚类,然后对得到的每个类簇运用粗糙集理论进行上、下近似分割,对于分割得到的下近似区域无需再进行分类,而通过上、下近似作差所得的边界区域数据需要通过KNN算法确定其最终的类别。实验结果表明,该算法降低了KNN算法的数据计算规模,提高了分类效率。同时与传统的KNN算法和基于聚类改进的KNN文本分类算法相比,准确率、召回率和[F1]值都得到了一定的提高。     

全局和局部特征相融合的人脸识别算法

为了进一步提高特征提取效率和人脸识别正确率,提出一种融合全局和局部特征的人脸识别算法。引入局部散度矩阵和全局散度矩阵,两者分别表征样本的全局特征和局部特征;基于同类样本尽可能的紧密而异类样本尽可能远离的事实,构造最优化问题,采用支持向量机建立人脸分类器,并通过仿真实验测试算法的性能。仿真结果表明,该算法不仅提高了人脸识别正确率,而且提高了人脸识别效率。     

基于TAKE的中文关键短语提取算法研究

针对传统的中文关键短语提取算法所提取关键短语准确率低、歧义性强和涵盖信息量少等问题,在英文关键短语提取算法TAKE（Totally Automated Keyword Extraction）的启发下,加入基于多领域特异性的新词识别技术,并改进了原有算法的文本分词、词语过滤和特征计算方法,提出了一种改进的TAKE算法,并应用于中文文本关键短语挖掘中。与多种传统关键短语提取算法的对比实验结果表明,该算法提取的精确率、召回率和[F]值指标的量化结果相比于传统算法有比较明显的提升。     

基于改进特征袋模型的奶牛识别算法

针对特征袋（BOF）模型中存在特征计算耗时、识别精度低的不足,提出一种新的改进BOF模型以提高其目标识别的精度和效率,并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图（HOG）特征对图像进行特征提取和描述,然后利用空间金字塔匹配原理（SPM）生成图像基于视觉词典的直方图表示,最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集（包含15类奶牛、共7500张奶牛头部图像）上的实验结果表明,使用基于SPM的BOF模型将算法的识别率平均提高2个百分点;使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点;使用优化HOG特征,相比使用传统HOG特征将算法识别率平均提高21.3个百分点,运算效率为其1.68倍;相比使用尺度不变特征变换（SIFT）特征,在保证平均识别精度达95.3%的基础上,运算效率为其7.10倍。分析结果可知,该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。     

基于类别特征改进的KNN短文本分类算法

KNN短文本分类算法通过扩充短文本内容提高短文本分类准确率,却导致短文本分类效率降低。鉴于此,通过卡方统计方法提取训练空间中各类别的类别特征,根据训练空间中各类别样本与该类别特征的相似情况,对已有的训练空间进行拆分细化,将训练空间中的每个类别细化为多个包含部分样本的训练子集;然后针对测试文本,从细化后的训练空间中提取与测试文本相似度较高的类别特征所对应的训练子集的样本来重构该测试文本的训练集合,减少KNN短文本分类算法比较文本对数,从而提高KNN短文本分类算法的效率。实验表明,与基于知网语义的KNN短文本分类算法相比,本算法提高KNN短文本分类算法效率近50%,分类的准确性也有一定的提升。     

基于改进的SVM线性可分文本分类算法

支持向量机(Support Vector Machines,简称SVM)根据有限的样本信息在对文本分类的精度和学习能力之间,相比其他的文本分类算法寻求了最佳折中,从而获得了较好的推广能力。而SVM是从线性可分情况下的最优分类面发展而来的,因此对于线性可分文本具有更好的分类效果。给出了一种效率较高的线性可分文本的SVM算法,它在训练的时间复杂度上具有明显的改进,从而可以提高训练效率。结果表明:改进后的SVM算法相比以前的算法大大提高了运行效率。     

基于BiGRU和贝叶斯分类器的文本分类

针对传统的循环神经网络模型在处理长期依赖问题时面临着梯度爆炸或者梯度消失的问题,且参数多训练模型时间长,提出一种基于双向GRU神经网络和贝叶斯分类器的文本分类方法。利用双向GRU神经网络提取文本特征,通过TF-IDF算法权重赋值,采用贝叶斯分类器判别分类,改进单向GRU对后文依赖性不足的缺点,减少参数,缩短模型的训练时间,提高文本分类效率。在两类文本数据上进行对比仿真实验,实验结果表明,该分类算法与传统的循环神经网络相比能够有效提高文本分类的效率和准确率。     

基于深度学习的文本检测算法在银行运维中应用

银行故障单中故障的截图常存在与自然场景中,能够在该图中精确地进行文本检测,将可以提高文本识别的精确度,并提高案例库的搜索和主动运维能力.为了提高自然场景文本检测的效率,提出了一种基于深度学习的自然场景文本检测算法.算法首先提取出图像中的最大稳定极值区域作为候选字母,利用单链接层次聚类得到候选文本,对候选文本进行中值滤波,最后通过一个深度置信网络DBN来删除非文本候选.实验结果表明,基于DBN的方法能有效提高自然场景文本检测的准确率,比传统方法具有更好的结果.