一种新的图书特征抽取方法

本文提出了一种新的特征抽取方法。它可对任意形状的工件进行准确描述，并具有计算速度快，特征抽取结果简单的特点，用此算法做成的视觉系统，能识别任意放置的甚至有遮挡或重叠的二维工件，是一种较好满足工业生产线上实时性要求的算法。     

从细线化汉字图像生成任意倍率汉字

本文提出了一种对汉字作任意倍率放缩的算法。该算法先对印刷体汉字作细线化处理，抽取笔划特征点。然后，分割和提取笔划。任意倍率汉字生成是通过变换函数。改变特征点位置，再附加原探察到的笔划修饰来实现的。实验表明本算法是有效的。     

任意网页的主题信息抽取研究

目前大部分的网页信息抽取方法都局限于某一类网页的提取,并没有进一步深入到适用于任意网页的抽取。针对这一问题,该文提出了一种基于融合机制的任意网页主题信息抽取框架,特点是通过“模板库匹配—基于模板抽取—网页分类—全自动抽取”四个步骤实现对模板无关的全自动抽取算法和基于模板的抽取算法的融合。实验显示,这种融合机制能促进抽取准确率的有效提高,从而最终建立起一个适用于任意网页的、具有实用价值的信息抽取框架。     

脱机手写体汉字识别的改进算法

特征点抽取是脱机手本汉字识别中特征抽取的一种常用方法，目前的一些算法都存在一一的，因此本文给出两种改进算法，并经实验证明具有良好的效果。     

融合WMD矩阵与2DPCA的人脸特征抽取与识别

提出了一种融合小波矩描述子(WMD)矩阵与二维主成分分析(2DPCA)的人脸特征抽取与识别算法。该方法抽取描述人脸本质特征的WMD矩阵，利用2DPCA对该矩阵进行投影压缩降维，抽取人脸最终鉴别特征，利用最近邻分类器对特征进行分类识别。NUST603人脸库上的实验结果验证了算法的有效性。     

双正交小波方法在面部特征抽取中的应用

人脸识别技术是生物鉴别技术的重要组成部分。脸部特征抽取是人脸识别技术的关键。首先对基于小波极大模的边缘检测算法进行改进 ,提出极大模区域边缘检测算法 ;然后提出一种人脸特征抽取算法。整个脸部特征抽取过程分为三部分 :1 )对图像进行二维小波分解 ;2 )背景分离 ,脸部目标定位 ;3 )脸部特征抽取。实验证明该算法可以准确地抽取人脸特征     

实现推伸体特征造型的一种算法

本文介绍作者提出的一种推伸体造型的算法，它适合由任意圆弧、直线段为基线所形成的推伸体的特征造型问题。作者在文中提出的最小包容凸多边形、最大局部凸多边形的概念，以及任意多边形凹顶点判别算法、推伸体造型算法，圆满地解决了推伸体类特征造型问题，这些理论和方法对特征加工也具有重要的参考价值     

任意多边形内带特征约束的散列数据的最优三角剖分

给出了一种新的基于Ｄｅｌａｕｎａｙ三角形化的任意多边形边界内散列数据的优化三角剖分算法，该算法可允许散列数据任意复杂的折线及封闭多边形环的特征约束。算法用统一的数据结构来记录散列数据、约束特征和三角剖分信息，并且引入了辅助窗的概念，从而使优化剖分和加入约束容易实现。     

印刷体数字快速识别算法在身份证编号数字识别中的应用

探讨了一种印刷体数字快速识别的算法及该算法在身份证图像编号数字识别中的应用,该算法根据印刷体数字字符结构,抽取数字特征；然后根据这些特征构造编码器，进行编码识别。实验表明该算法速度快，精度高，抗干扰性强。     

取邻抽取任意倍数采样率变换算法性能研究

定量分析了取邻抽取任意倍数采样率变换算法的取邻误差.首先基于分数倍采样率变换结构,从取邻抽取的角度阐述了软件无线电中的任意倍数采样率变换算法,推导了其实现结构和计算量.在此基础上,详细地定量分析了取邻误差,将取邻抽取的影响等价为信噪比的降低,并以此为指导选取算法参数.结果表明,这种取邻抽取任意倍数采样率变换算法具有通用性和高效性的优势,通用性表现为以统一的算法结构来实现任意倍数的采样率变换,高效性表现为在同样性能要求下其计算量与传统方法相当.     

深度学习在故障诊断领域中的研究现状与挑战

现代工业系统已呈现出向大型化、复杂化的方向发展,使得针对工业系统的故障诊断方法遇到一系列的技术难题.近年来,深度学习(deep learning)在特征提取与模式识别方面显示出独特的优势与潜力,将深度学习应用于解决复杂工业系统故障诊断的研究已初现端倪.为此,首先介绍几种典型的基于深度学习方法实现工业系统故障诊断方法;然后对基于深度学习实现故障诊断的主要思想和建模方法进行描述;最后总结和讨论了复杂工业系统故障的特点,并探讨了深度学习在实现复杂工业系统故障诊断方面所面临的挑战,展望了未来值得继续研究的方向.     

Feature-based reverse modeling strategies

We presented two integrated solution schemes, sectional feature based strategy and surface feature based strategy, for modeling industrial components from point cloud to surfaces without using triangulation. For the sectional feature based strategy, slicing, curve feature recognition and constrained fitting are introduced. This strategy emphasizes the advanced feature architecture patterns from 2D to 3D in reverse engineering. The surface feature based strategy relies on differential geometric attributes estimation and diverse feature extraction techniques. The methods and algorithms such as attributes estimation based on 4D Shepard surface, symmetry plane extraction, quadric surface recognition and optimization, extruded and rotational surface extraction, and blend feature extraction with probability and statistic theory are proposed. The reliable three-dimensional feature fabricated the valid substratum of B-rep model faultlessly. All the algorithms are implemented in RE-SOFT, a reverse engineering software developed by Zhejiang University. The proposed strategies can be used to capture the original design intention accurately and to complete the reverse modeling process conveniently. Typical industrial components are used to illustrate the validation of our feature-based strategies.     

基于主题特征的关键词抽取

为了使抽取出的关键词更能反映文档主题,提出了一种新的词的主题特征(topic feature,TF)计算方法,该方法利用主题模型中词和主题的分布情况计算词的主题特征。并将该特征与关键词抽取中的常用特征结合,用装袋决策树方法构造一个关键词抽取模型。实验结果表明提出的主题特征可以提升关键词抽取的效果,同时验证了装袋决策树在关键词抽取中的适用性。     

局部KPLS特征提取的LSSVM软测量建模方法

针对复杂工业过程的非线性、变量间的强相关性以及工况时变的特点,提出了一种基于局部KPLS特征提取的LSSVM建模方法。该方法通过属性加权的欧式距离指标选取局部训练样本子集,利用KPLS算法对该子集进行特征提取,使用LSSVM算法在线建立局部软测量模型。实验结果表明,该方法可以有效实现特征提取,具有更好的推广能力和预测精度,比基于全局KPLS特征提取的LSSVM模型和未经特征提取的全局LSSVM模型具有更好的泛化能力。     

基于混合变分自编码器回归模型的软测量建模方法EI北大核心CSCD

近年来,变分自编码器(Variational auto-encoder,VAE)模型由于在概率数据描述和特征提取能力等方面的优越性,受到了学术界和工业界的广泛关注,并被引入到工业过程监测、诊断和软测量建模等应用中.然而,传统基于VAE的软测量方法使用高斯分布作为潜在变量的分布,限制了其对复杂工业过程数据,尤其是多模态数据的建模能力.为了解决这一问题,本论文提出了一种混合变分自编码器回归模型(Mixture variational autoencoder regression,MVAER),并将其应用于复杂多模态工业过程的软测量建模.具体来说,该方法采用高斯混合模型来描述VAE的潜在变量分布,通过非线性映射将复杂多模态数据映射到潜在空间,学习各模态下的潜在变量,获取原始数据的有效特征表示.同时,建立潜在特征表示与关键质量变量之间的回归模型,实现软测量应用.通过一个数值例子和一个实际工业案例,对所提模型的性能进行了评估,验证了该模型的有效性和优越性.     

结合标定拟合和模糊理论的焊点特征颜色提取

针对自动光学检测系统中元件颜色特征,提出了一种依靠颜色标定块和模糊隶属度判别法进行焊点特征颜色提取的方法。该方法对颜色标定块HSV中的H与S分量进行统计直方图分析,以高斯函数为模型拟合出各分量特征函数,建立起了一种以H和S分量为线性特征组合的各个颜色隶属度函数。根据模糊法隶属度判定准则对图片中颜色进行分割,提取出特征颜色。最后将该算法对3组PCB图像进行分割实验。实验结果表明该算法Bezdek分配系数为0.68左右,方差数据为1.0E-4数量级,表明该算法聚类效果稳定,类内数据相比于主色判别式法的一致性高。此外该算法适用性强,可普遍运用于指定颜色的提取系统中。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

Fast kernel Fisher discriminant analysis via approximating the kernel principal component analysis

Kernel Fisher discriminant analysis (KFDA) extracts a nonlinear feature from a sample by calculating as many kernel functions as the training samples. Thus, its computational efficiency is inversely proportional to the size of the training sample set. In this paper we propose a more approach to efficient nonlinear feature extraction, FKFDA (fast KFDA). This FKFDA consists of two parts. First, we select a portion of training samples based on two criteria produced by approximating the kernel principal component analysis (AKPCA) in the kernel feature space. Then, referring to the selected training samples as nodes, we formulate FKFDA to improve the efficiency of nonlinear feature extraction. In FKFDA, the discriminant vectors are expressed as linear combinations of nodes in the kernel feature space, and the extraction of a feature from a sample only requires calculating as many kernel functions as the nodes. Therefore, the proposed FKFDA has a much faster feature extraction procedure compared with the naive kernel-based methods. Experimental results on face recognition and benchmark datasets classification suggest that the proposed FKFDA can generate well classified features.