基于扫描数据建立人体动态模型

提出一种由三维人体扫描数据建立人体动态模型的新方法.该模型由骨架运动学模型和简化的三角网格表面模型构成,分别用于产生人体各种姿态以及表达相应的体表形状.通过操纵骨架运动,可实现实时与逼真的人体姿态仿真.实例分析表明,该方法克服了目前从扫描数据通常仅用于构造静态人体模型或无法实现实时姿态仿真的缺陷,在人机工程设计及虚拟现实领域有较大应用价值.     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

基于时频域特征和分层决策的通信信号调制识别

针对实际通信信号具有时变、非平稳的特性,将时频分布引入通信信号调制类型识别,提出了新的品质优良的时频域识别特征和使用时频域特征的分层决策分类器。即以基于Wigner Ville分布(WVD)的一阶时间矩特征和基于Margenau Hill分布(MHD)的局部时频域特征作为分类特征向量,通过特征向量与判决阈值的逐层比较以实现通信信号调制分类。仿真结果表明,该方法在低信噪比下的识别性能明显优于基于单纯的时域特征或频域特征的传统方法。     

卫星数字图像的智能处理研究

在借鉴成熟的数字图像特征分类模型基础上，通过特征抽取及采用神经网络方法对特征树训练，得到卫星数字图像的典型特征和在图像分析中的权重。提出利用数字图像的经验处理知识来实现卫星数字图像的自动处理，并建立分类数字图像集的经典处理案例，采用基于案例推理的方法，实现了卫星数字图像处理经验的复用和效率的提高。     

基于稀疏编码的自然图像特征提取及去噪

主要讨论稀疏编码在自然图像统计特性中的应用，利用稀疏编码实现图像的特征提取以及消除图像中的高斯噪声。丈中利用双梯度算法对自然图像的基向量进行迭代学习。实验表明，提取的基向量在时域和频域上都有方向性和局部性。与小波收缩法相比，稀疏编码法提取的特征要优于小波法提取的特征。对特征提取的实际应用，就是利用稀疏编码收缩法对图像消噪，并通过仿真实验证明稀疏编码收缩法去噪效果要优于任何低通滤波方法。     

从设计模型中提取制造特征的方法

提出了一种从设计模型中提取制造特征的方法,利用STEP中性文件重构零件模型,进一步利用目标面上的环数建立制造特征的类关系图,即可实现从设计模型中提取制造特征.     

小波分析中频带能量泄漏及对策

为了寻找信号特征提取优化的方法，排除误诊断，分析了Daubcchies小波系列的频带频率特性，指出了小波分析存在着频带能量泄漏的问题。频带能量泄漏不利于信号的特征提取和分析。通过仿真研究，得到了频带能量泄漏的基本规律，提出了频带能量增量比较法。该方法通过比较小波分析的相邻三个频带的能量增量，确定信号的特征频率分量所在的频带，进而以该频带的能量增量作为信号变化的特征。实验证明，运用该方法可以优化信号特征的提取。     

飞机蒙皮表面缺陷特征提取算法

基于内距均值法提出了一种特征提取方法,提高了检测铆钉中心与半径的准确度,并能够判断腐蚀方向,可有效辅助实现蒙皮缺陷的检测识别。     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于特征提取的连接词识别方法

篇章分析是自然语言处理中一个重要的研究方向。连接词的识别作为篇章分析中的一个基本任务,对后续的篇章分析起到关键作用。针对连接词识别方法中的高维度特征空间问题,提出了基于特征提取的连接词识别方法。具体来讲,引用多种特征提取方法(IG、MI、DF、CHI、WLLR)对连接词识别中所用的所有特征进行打分排序,提取排在前面的一定数量的特征用于分类。实验结果表明特征提取方法能够有效降低特征维度,在仅仅使用50%的特征的情况下能够获得类似甚至更佳的识别性能。