基于遗传BP算法的车型识别技术在智能交通中的应用

车型识别技术作为智能交通系统中关键技术,特征识别法具有较高的识别精度、鲁棒性、实时性,是车型分类技术的主要方法.但是该方法存在两个主要问题:车型分类网络需要优化,目标特征提取算法性能与工程应用要求尚有差距.针对上述问题展开研究,引入遗传算法、动量项等对BP算法优化车型分类网络、采用耗时低的Surendra背景提取算法、迭代阈值分割算法改善目标特征提取工作的实时性,仿真结果表明,基于遗传BP算法构建的车型识别系统的精确性、鲁棒性等关键性能达到系统设计要求.     

巡航导弹智能自主在线目标识别选择问题研究

巡航导弹智能自主在线目标识别选择是巡航导弹智能自主作战的重要特征之一.主要针对在巡航导弹弹载计算机计算能力弱、反应时间较短的情况下,如何快速地对目标进行识别分类.采用模板匹配方法进行自动目标识别的大量工作在地面进行,降低了弹载计算机的计算量.为了提高在线智能自主目标识别精度和速度,提出了基于相似度竞争网络,以继承竞争网络在模式识别方面快速简单的优点,同时针对竞争网络抗干扰能力差,对模板类型以外目标无法剔除的不足进行改进,很好解决了巡航导弹在线智能自主目标识别的算法问题.最后通过仿真对算法进行验证.     

高分辨雷达信号的平移不变KPCA特征提取算法

研究高分辨雷达信号特征提取,针对传统提取平移不变特征存在信息损失量大、识别的准确率低的问题,提出了一种平移不变KPCA特征提取算法。首先计算高分辨雷达信号的原点矩,并在低信息损失的前提下利用高分辨雷达信号相对原点矩的位置来描述原信号,从而消除高分辨雷达信号的平移敏感性。然后结合KPCA特征提取算法得到平移不变的特征信号。最后应用SVM分类器对特征信号进行分类识别。实验证明,改进算法识别率高于雷达目标识别系统中的传统特征提取算法,略低于KPCA特征提取算法,且在常用雷达探测距离内都能够保持较高的识别率。     

基于散射中心的雷达目标SVM识别方法

为减少经典目标识别算法中的计算量与模板存储量,本文将雷达目标散射中心作为目标识别的特征,通过支持向量机(SVM)方法分类目标.首先,采用基于传播算子的多重信号特征法(PM-MUSIC)提取雷达目标散射中心参数;其次,计算散射中心的中心矩以建立统一标准的识别特征,并采用SVM方法对目标进行分类.最后,通过仿真实验比较了该...     

基于进化策略的生理信号情感识别

针对生理信号的情感识别问题,采用进化策略方法对生理信号进行特征选择,利用智能优化算法的计算复杂度低和收敛速度快等特点,并结合使用近邻法进行分类,有效地解决了生理信号特征组合优化问题,筛选出一定的特征子集来表示相应的人类情感状态．实验仿真表明,该方法可以得到有效的特征组合来进行生理信号的情感状态识别．     

基于VC与MATLAB的声目标识别系统设计

鉴于声目标识别在民用和军用方面的广泛应用,对声目标进行识别已成为模式识别领域中的研究热点之一.使用小波分析实现对声信号的消噪处理,采用小波包能量特征提取方法获得目标声信号的特征向量,分类器设计采用支持向量机的模式识别方法,对声目标识别系统的组成、功能结构和框架结构进行了设计,同时介绍了系统数据库设计的要求和方法,并给出了基于VC与MATLAB联合编程的声目标识别系统中的主要算法及实现程序.仿真实验表明,系统能有效地对声目标进行分类识别.     

基于智能算法的生理信号情感识别

针对基于生理信号的情感识别问题,采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法来进行特征选择,用Fisher分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感进行分类,获得了较高的识别率,并找出了对情感识别系统模型的构建具有较好性能的特征组合,建立了对6类情感具有预测能力的识别系统。     

基于三维不变矩的人脸表情识别系统研究

本文提出了基于三维不变矩的人脸表情识别系统研究框架。在对三维人脸表情模型进行预处理及归一化的基础上建立具有平移比例和旋转不变性的三维人脸表情模型的矩不变量特征表示。针对人脸表情分类应用背景采用基于支持向量机的智能学习技术研究实现利用多维度3D-Zernike描述子特征的人脸分析识别系统的建模,基于D-ABC算法的分析识别模型优化,提高模型可靠性和系统的鲁棒性,进而利用该系统进行三维人脸表情数据的分类识别。     

无人值守传感器目标分类方法

地面传感器阵列对目标的分类能力是影响其使用效能的关键因素之一。传感器阵列获取的观测数据受外部环境影响,当外部各种物理场特征随时间发生改变时,采用固定的分类标准进行判断会降低传感器阵列对目标分类识别结果的可信性。提出基于动态数据驱动的传感器阵列目标分类方法,对时变的外部环境特征加以提取作为目标识别计算的反馈控制量,构建环境改进模型作为决策用有限状态自动识别机,为其中每个状态训练相应的分类方法,实现对分类准则的自适应选择,提高算法性能。     

基于均值-方差模型的Relief特征选择优化算法

Relief是公认的效果较好的filter式特征评估方法,但存在特征权值随样本波动的问题,导致识别准确率的下降。提出了一种基于均值-方差模型的特征权值优化算法,采用样本区分能力的平均贡献值的期望和组合贡献值的波动作为特征评估的依据,使得特征选择的结果更加稳定与准确。基于实地采集的地面运动目标的震动信号进行特征选择与分类学习实验,结果表明,该算法得到的特征子集比Relief具有更好的目标区分能力。     

减少防撞雷达虚假目标的信号处理研究

从信号处理的角度分析了防撞雷达虚报警率、漏报警率偏高的原因,采用AR模型功率谱估计的Burg算法代替传统的FFT算法,并将粗神经网络应用于防撞雷达目标识别。仿真结果表明,此方法提高了雷达信号处理的准确度和目标识别率,能有效地降低漏报警、虚报警率。     

基于相关系数的磁墨字符信号识别算法

通过研究当前国内磁码的识别方法,提出了一种基于相关系数的磁墨字符信号快速识别算法。该算法是以支票磁码信号为识别目标,以统计分析方法,确立了检测阈值,运用Matlab软件将采集到的整张支票的磁码长信号进行一系列的预处理及信号分离,把分离出的单个磁墨字符信号与每个标准磁墨字符信号求相关,以相关系数作为待识别磁码与标准磁码的相似性度量标准,以最大相关系数所对应的标准磁墨字符符号作为最终识别结果,实现整个磁码信号的识别。对大量的实验结果进行统计分析得出,该识别算法运算速度快、实时性好,识别精度达99.9%以上。     

运动目标识别方法与仿真研究

运动目标识别与跟踪在军事和工业领域具有广泛的应用前景。典型的跟踪方法有相关匹配算法、光流算法、基于运动轮廓算法等。典型的识别方法有：模板匹配目标识别法、基于相似性度量识别法、基于遗传算法目标识别算法等。本文提出了一种基于神经网络的识别与跟踪方法,并研究了运动目标识别与跟踪仿真模型和实现方法。     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

复杂场景下的运动目标识别算法

目标识别是计算机视觉的基本目的,同时也是人工智能领域的重要组成部分之一.随着信息化时代的来临,视频采集工具的普及,海量的视频数据给人工识别带来了巨大挑战.现阶段,在智能交通领域、生产质检领域等简单场景中,视频识别技术已经得到广泛的应用.如何从复杂场景中实现目标的识别和检测则成为了更加重要和困难的问题.针对该问题,本文提出了一种复杂场景下的运动目标识别算法.首先,提出一种改进的光流算法,通过时间序列以及空间像素变化对运动目标区域进行快速标记;其次,对目标区域进行滑动窗口检测,匹配人体各部位模型,并将反馈信息利用树形结构进行人体建模,实现在复杂场景下识别运动目标.通过实验进行评估,该方法能够在保证较高准确率的情况下,相比基于深度学习的检测算法检测速度更快,可以满足实时监测的要求.     

基于Cortex-M4的光电智能车路径识别最优化研究

研究基于Cortex-M4芯片的智能车路径识别最优化方案,选用光电传感器作为路径识别的传感器,结合路径识别算法和控制算法对智能车的坡道、速度和停车位等进行优化配置。制作的小型光电智能汽车,通过增加传感器和改进算法实现了路径识别,使小车循着赛道轨迹行进,在遇到坡道、障碍时能够自动作出响应。实际运行结果验证了所做研究的有效性。     

针对黑盒智能语音软件的对抗样本生成方法

随着深度学习技术的成熟, 智能语音识别软件获得了广泛的应用, 存在于智能软件内部的各种深度神经网络发挥了关键性的作用. 然而, 最近的研究表明: 含有微小扰动的对抗样本会对深度神经网络的安全性和鲁棒性构成极大威胁. 研究人员通常将生成的对抗样本作为测试用例输入到智能语音识别软件中, 观察对抗样本是否会让软件产生错误判断...     

语音信息的身份和指令识别方法应用

针对智能机器人系统对语音交互功能的实际需求, 在DM-B200开放式机器人平台上,设计并实现了基于语音信息的说话人身份识别功能和语音指令识别功能. 为了准确识别特定说话人的身份, 采用了矢量量化的识别方法, 而为了提高机器人语音控制的实时性, 语音指令识别采用了动态时间规整的方法. 应用结果表明, 所设计的语音识别系统达到96%以上的综合识别率, 具有实际应用价值.     

基于特高频局放技术与CG-BP算法的GIS绝缘故障类型识别方法

针对封闭式气体绝缘开关装置(Gas Insulated Switch Gear, GIS)由于生产、运输安装和运行环境等因素,引发的局部放电(Partial discharge, PD)现象而造成的绝缘故障类型问题,提出一种基于特高频(UHF)局放技术与CG-BP算法的GIS绝缘故障类型识别方法。首先,对GIS内的PD产生机理,以及UHF局放技术的实现过程进行描述,并在此基础上,分析了GIS内部4种常见的PD信号的UHF传播特性。其次,利用共轭梯度法(Conjugate Gradient, CG)来优化BP算法的初始阈值和权值,进而提高BP算法学习效率和GIS故障类型识别率。最后,仿真结果表明：相比基于传统BP算法的GIS故障类型识别方法,改进的CG-BP识别算法可有效减少训练次数,且识别准确率可达91%,提高了10%。     

Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram

The automatic recognition of the modulation format of a detected signal, the intermediate step between signal detection and demodulation, is a major task of an intelligent receiver, with various civilian and military applications. Obviously, with no knowledge of the transmitted data and many unknown parameters at the receiver, such as the signal power, carrier frequency and phase offsets, timing information, etc., blind identification of the modulation is a difficult task. This becomes even more challenging in real world.In this paper I develop a novel algorithm using Two Threshold Sequential Algorithmic Scheme (TTSAS) algorithm and pattern recognition to identify the modulation types of the communication signals automatically. I have proposed and implemented a technique that casts modulation recognition into shape recognition. Constellation diagram is a traditional and powerful tool for design and evaluation of digital modulations. In this paper, modulation classification is performed using constellation of the received signal by fuzzy clustering and consequently hierarchical clustering algorithms are used for classification of Quadrature–Amplitude Modulation (QAM) and Phase Shift Keying (PSK) modulations and also modulated signal symbols constellation utilizing TTSAS clustering algorithm, and matching with standard templates, is used for classification of QAM modulation. TTSAS algorithm used here is implemented by the Hamming neural network. The simulation results show the capability of this method for modulation classification with high accuracy and appropriate convergence in the presence of noise.