基于联合损失函数的多视角步态识别方法研究

视频侦查技术逐步成为侦查办案的重要手段,步态识别技术在视频侦查工作中有良好的应用前景;现阶段跨视角的步态识别技术在公开数据集CASIA-B的正常行走条件下,识别正确率已经达到了 95％,但是在穿外套和携带包裹等有遮挡行走条件下的识别正确率不高.本文通过采用Triplet与Softmax两个损失函数相结合的方法,联合优化...     

基于PSO-ELM特征映射的KNN分类算法

针对传统极端学习机算法(ELM)和K近邻分类算法(KNN)在处理分类问题中存在的问题,提出一种基于PSOELM特征映射的KNN分类算法。该算法利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射,并利用粒子群算法(PSO)寻找一组最优的ELM映射参数,再将映射后的特征样本输入到KNN算法中,提高处理线性不可分问题的能力。在多个数据集上的实验结果表明,文中算法比KNN改进算法以及ELM改进算法有更高的分类正确率。     

一种基于关节角度的步态识别新方法

基于行走运动的关节角度变化包含更丰富的个体识别信息的观点,提出利用下肢关节角度进行步态识别的新方法。依据人体解剖学的先验知识,通过对下肢运动分析定位盆骨、左右膝、左右踝关节点,提取相邻关节点连线与竖直线的夹角作为运动关节角度。识别时,考虑到NN,KNN等传统步态分类器分类能力较弱的缺点,采用针对小样本问题具有很好分类效果的支持向量机对步态特征向量进行分类。CASIA步态数据库上的仿真结果证明该方法具有较高的识别性能。     

用核学习算法的意识任务特征提取与分类

介绍了核学习算法中核主分量分析(KPCA)和支持向量机(SVM)的基本原理,给出一种推广误差上界估计判据,实现了SVM核参数及惩罚因子的优化选取.根据多变量自回归模型理论对4个受试对象、三种不同意识任务的脑电信号进行特征提取,并利用KPCA方法进行降维预处理,对SVM进行训练和分类测试.结果表明,KPCA算法在高维特征空间具有较强的特征选择能力,优化核参数的SVM的分类正确率明显高于径向基函数网络,三种意识任务的平均分类正确率达78.6％.     

基于压电阵列与ACO-Elman神经网络的步态检测系统研究

鉴于压电传感器能够感测压力动态变化,采用柔性聚偏氟乙烯(PVDF)压电薄膜阵列作为足底压力检测单元,并提取其测得的压力波形中周期、频率、强度等特征参数作为蚁群算法优化的艾尔曼(ACO-Elman)神经网络的输入信息,通过神经网络训练学习,进而实现人体站立、行走、跑步、跌倒等基本步态活动的分类检测。实验测试结果表明:不同的步态具有各自的特点,基于压电阵列与神经网络的步态检测系统对人体基本活动的预测分类具有较高的准确性,总体正确率超过85%。     

基于心电与光电容积脉搏波特征层融合的身份识别方法

针对单模态的心电信号(ECG)或光电容积脉搏波信号(PPG)识别技术中存在的精度不高,未考虑类内相关性等问题,该文提出基于判别相关分析法(DCA)对ECG与PPG组合特征矩阵进行特征层融合以及对K-最近邻(KNN)和支持向量机(SVM)分类器在决策层融合的识别方法.实验结果表明,使用融合特征(ECG-PPG)与融合分类器(KNN-SVM)的方法对23名受试者进行分类识别的准确率可以达到98.2％,识别精度在常规环境下优于单模态识别.为多模生物特征身份识别提供了一种有效模型.     

基于光谱融合的油漆分类方法比较

为了实现对油漆物证的快速、无损以及准确分类,实验收集了犯罪现场常见的5个油漆品牌共计50个油漆样本的红外原始光谱数据和导数光谱数据,结合光谱融合技术,建立了基于KNN、SVM以及逐步判别分析的油漆分类模型.实验结果表明:3种分类模型对于融合光谱的识别率要高于单一光谱;KNN以及SVM分类模型对于其中的3种油漆样本识别率高,但对其余2种样本的分类效果并不好,而逐步判别分析模型对5种油漆样本的各种光谱数据识别率均高于KNN和SVM模型,其中采用逐步判别分析中的Smallest F ratio判别模型对一阶导数光谱和三阶导数光谱融合数据的训练集和测试集实现了完全识别.本文方法的检验效率高,定性能力强,满足公安机关对于相关物证的快速检验要求,为刑事技术人员快速识别油漆物证提供了一种有效的手段.     

基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类.实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100％,但需要人工设计和提取特征参数.因此,提出...     

基于多策略的垃圾短信过滤系统研究

在日常生活中,垃圾短信的存在使得用户倍感困扰,用户迫切需要对垃圾短信进行过滤.本文在已标记的72000条正常短信和80000条垃圾短信基础上,建立了朴素贝叶斯模型和KNN两个文本分类模型.经测试,每个模型的综合得分都达到90%以上.本文重点介绍朴素贝叶斯分类方法和KNN分类方法在文本分类中的实际运用;该系统的评价标准,采用准确率P和召回率R的平衡F值.分析了朴素贝叶斯模型、KNN模型在不同数据集下对F值的影响,并且综合分析两个模型的优缺点,建立模型对比示意图.     

光纤光谱结合模式识别无损检测苹果表面疤痕

为了实现基于光纤光谱技术结合模式识别无损检测苹果表面疤痕, 利用光纤光谱采集系统采集了完好无损和表面有疤痕苹果的光谱数据, 采用标准正态变换(SNV)和1阶导数对原始光谱数据进行预处理; 利用主成分分析方法对预处理后的光谱数据进行降维, 以提取能反映苹果表面疤痕的特征光谱; 利用k最近邻(KNN)模式识别方法和偏最小二乘判别分析方法, 建立了苹果表面疤痕的识别模型。结果表明, 采用主成分分析法选择了累计贡献率超过99%的前8个主成分作为样本集特征光谱数据, 很好地实现了光谱数据的降维; 利用1阶导数+KNN识别模型对校正集以及SNV+KNN识别模型对预测集中正常果和疤痕果的正确率识别均高达96.0%。验证了基于光纤光谱技术结合模式识别方法无损检测苹果表面疤痕的可行性。     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

一种基于维度加权盲K近邻算法的数字预失真技术

传统的数字预失真(DPD)模型通常在所有的输入信号功率上采用单一多项式模型和单一记忆深度对功率放大器(PA)进行线性化矫正。然而,功率放大器在不同的功率水平下会呈现出不同的非线性特性,并产生不同的记忆效应。针对这一问题,该文提出一种基于维度加权盲K近邻(KNN)算法的数字预失真模型,所提模型根据功放当前输入信号以及记忆输入信号的幅度进行维度加权的KNN分类,组成维度加权盲KNN记忆多项式(WKMP)模型,并为每一类输入信号序列建立子模型。所提方法用Doherty功率放大器进行实验验证,使用带宽为30 MHz、频点为2.2 GHz的3载波长期演进(LTE)信号作为输入,反馈端使用122.88 MHz的采样率进行采样。实验结果表明,所提维度加权盲KNN分类方法与记忆多项式(MP)模型结合时,功放正向建模效果和数字预失真效果均超过了广义记忆多项式(GMP)模型,并远超记忆多项式模型的效果,实验结果验证了所提模型的优良性能。     

文本分类中基于K-means的类偏斜KNN样本剪裁

KNN算法是经典的文本分类算法.训练样本的数量和类别密度是影响算法性能的主要瓶颈,合理的样本剪裁可以提高分类器效率.文中提出了一种基于聚类的改进KNN分类模型.首先对训练集进行聚类,基于测试样本与簇之间的相对位置对训练集进行合理裁剪以节约计算开销;然后基于簇内样本分布进行样本赋权,改善大类别样本的密度占优现象.实验结果表明,本文提出的样本剪裁方法提高了KNN算法的分类性能.     

一种聚类模式下基于密度的改进KNN算法

KNN是基于实例的算法,训练样本的数量影响KNN的分类性能.合理的样本剪裁可以提高分类器的效率.提出了一种聚类条件下基于密度的KNN改进模型.首先使用聚类方法对训练集进行基于类别的选择,裁剪边缘样本以减少噪音;再基于类别密度对样本进行加权,改善k近邻选择时大类别、高密度训练样本的占优现象.试验结果表明,本文提出的改进KNN分类算法提高了KNN的分类效率.     

中文文本分类系统的设计与实现

文章介绍了中文文本分类系统的基本过程及其关键技术,比较和分析Rocchio、朴素贝叶斯(NB)、kNN三种文本分类算法的分类原理,提出了中文文本分类系统的结构模型,并给出了评估方法和实验结果,测试结果表明KNN算法的分类效果最佳。     

红外热成像在步态识别中的应用

为更有效地探测人体目标,提出了利用红外光进行人体成像及步态识别的新方法.首先将人体散发的红外光转换为电信号,经计算机处理后转换为红外步态图像,然后分割出人体目标并将其规格化叠加处理获取步态特征图,再提取包含整体模型信息的边界矩参数以及包含简化模型信息的骨架特征参数,以此作为步态特征识别参量输入至支持向量机(SVM)进行分类识别.使用自建的红外步态数据库(IRGD)进行实验,正确识别率(PCR)为71～92%,且识别效果受人体携带外物的影响不显著.     

基于加速度信号的走路模式多级分类算法

 研究了一种基于多级分类模型的非特定人走路模式识别算法,实现了对水平行走和上、下楼梯三种运动状态的识别.将装有微型加速度传感器的无线数据采集装置固定于人体后腰部,获取运动时的三维步态加速度信号.采用离散小波变换提取与运动相关频带的时频特征,并结合步频以及垂直方向和前进方向加速度信号之间的互相关性,经过特征融合设计了多级分类识别算法.通过对10个人共360组数据的测试结果表明:在步频范围扩大到1~3Hz时,识别率达到了96.1%,且对测试对象的依赖性小.     

结合FSVM和KNN的人脸表情识别

为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度.     

结合Gabor特征和深度信念网络的人脸姿态分类

针对多姿态人脸图像分类存在的困难,提出了一种基于Gabor特征和深度信念网络(DBN)的近邻元分析(NCA)方法,通过提取Gabor多姿态人脸图像的尺度图并将其进行融合,从而对多姿态人脸图像具有较好的区分度,利用融合后的特征图来训练样本并作为深度信念网络的输入图像,结合NCA分析对训练样本进行线性变化以寻找到一个更有利于类别分类的线性子空间,提供足够大的数据集来估算模型参数进而对多姿态人脸图像进行分类.对ORL人脸数据集测试结果表明,多姿态人脸分类数据量为1616和2432之间时的平均分类正确率分别为86.67％、84.00％、90.67％和86.67％,与PCA、LDA和RCA三种算法相比,其分类准确率都得到了提高,实验结果验证了这种针对多姿态人脸图像的分类算法的有效性.     

基于傅里叶变换和CELM的光纤传感信号的识别研究

为了对系统采集到的光纤振动数据进行更细致的特征刻画,文中采用傅里叶变换对数据进行特征提取。对特征提取后的数据,通过二分类任务决策树模型以及约束极速学习机(CELM)算法,进行挖掘机挖掘、人工挖掘、汽车行走、人员行走以及环境噪音总共5个类别进行识别。实验结果表明,与采用传统的短时能量/过零率特征及极速学习机(ELM)算法相比,该文采用傅里叶变换特征和CELM算法对光纤振动数据识别的分类正确率有显著提高。