面向人车识别的目标检测系统实现

为将参数量巨大的神经网络模型部署到资源有限、功耗要求极高的嵌入式端,以较好的速度运行,研究8 bit整型量化算法和神经网络前向推理过程在FPGA上的具体实现。通过8 bit整型量化,将模型的参数量从22.5 M缩减至5.7 M,模型参数量缩小近4倍,提高神经网络在嵌入式端部署的可行性。基于FPGA并行处理的特点,设计精简指令,优化卷积运算中输入输出和计算过程的并行处理。在实验中可以在较低功耗下加速神经网络前向推理过程。     

斜井人车漏泄通信及监控系统

斜井人车漏泄通信及监控系统是一种基于漏泄通信传输原理、综合话音通信、联络信号和人车实时监测为一体的通信及监控系统。该系统是在ＫＴ６通信系统应用的基础上，进一步开发信号和监测功能，使得该系统具有人车与绞车房的话音通信、人车向绞车房发打点联络信号和紧急告警信号及人车车位车速实时监测等功能。该系统与已有的基于感应通信传输原理的斜井通信信号装置相比有较大的优越性。     

面向视频序列表情分类的LSVM算法

为了提高基于视频序列的表情识别精度,在KNN-SVM算法的基础上提出局部SVM分类机制,并将其用于视频序列中的表情分类.对于一个待分类的几何特征样本,首先在训练集中寻找该样本的k个近邻样本,然后根据这k个近邻样本和待分类样本的相似度信息,重新构建局部最优的SVM分类决策超平面,用来对该几何特征样本进行分类.在Cohn-Kanade数据库中的对比实验表明,该分类器有效地提高了表情分类的精度.     

面向分组类别概率问题的模糊SVM分类算法

分组类别概率问题（Q-GP）给定样本的群组统计信息或类别概率分布,寻求每个个体样本的实际类标签,有着广泛的实际应用,但目前相应的研究仍较少。Q-GP问题求解的关键是如何利用已知的样本群组信息来获取单个样本的分类信息。文中通过比较二分类Q-GP问题与有监督及半监督二分类问题的异同,提出利用模糊分类的思想,根据已知的各群组类别概率分布近似获取个体样本的类隶属度,以此构造有监督样本进行学习。具体方法是:首先使用fuzzy层次分类构造各群组的等价类,并利用等价类将二分类Q-GP问题变换成多个带模糊隶属度的有监督二分类子问题;然后实施fuzzy SVM训练子分类器;最后整合多个子分类器的结果即得到每个样本的类标签估计。     

基于HuskyLens的智能垃圾分类回收车设计

文章基于图像识别技术,设计了一款智能垃圾分类回收车。该车可以通过图像识别学习算法分类和回收垃圾,实现自动化、高效化处理垃圾。文章详细介绍了智能垃圾分类回收车的结构设计、图像识别算法、分类回收流程等,并通过实验验证了智能垃圾分类回收车的可行性和实用性。     

视频对象分类特征评价与选择方法

视频对象自动分类是智能视频监控的重要技术基础之一.为了提高分类精度,必须选择合适的对象特征.目前常用的视频对象分类方法都缺乏对于分类特征重要性的评价机制.提出一种视频对象分类特征评价与选择方法,该方法基于Adaboost算法的思想,通过对特征贡献进行定量评价实现特征选择.实验将视频对象区分为"单个行人"、"人群"、"车辆"和"骑车的人"四种类别,证明了该方法的合理性和有效性.     

一种面向模式分类的修正的ART1神经网络

本文提出了一种关于ｎ维布尔模式分类的，基于欧氏距离的判定规则，在ＡＲＴ１神经网络的基础上，设计了一种实现这一判定规则的神经网络（ＭＡＲＴ１）及其学习规则，并给出了计算机仿真结果。     

基于内容的音频分类技术综述

基于内容的音频分类是基于内容的音频检索技术中的重要研究内容。先简单介绍音频分类的理论基础,然后介绍几种典型的音频分类方法,最后通过一个简单的SVM算法进行模拟实验。     

基于小波变换的人车目标特征提取算法

借助小波变换在时频分析上的优点,提取地面运动目标的回波信号特征在目标识别中加以应用.首先对目标的回波信号进行预处理,获取目标的瞬时多普勒频率信号,然后对该信号进行小波分解与重构,通过对特定频段的信号分析就可实现对运动目标周期性特征的提取.以在战场侦察雷达探测的人车目标识别中的应用为例,讲述该算法在人车目标识别中的特征提取过程,采用实际雷达回波数据对该特征提取算法进行验证,并对识别效果作分析.     

基于KNN+层次SVM的文本自动分类技术

针对大规模文本的自动层次分类问题,K近邻(KNN)算法分类效率较高,但是对于处于类别边界的样本分类准确度不是很高。而支持向量机(SVM)分类算法准确度比较高,但以前的多类SVM算法很多基于多个独立二值分类器组成,训练过程比较缓慢并且不适合层次类别结构等。提出一种融合KNN与层次SVM的自动分类方法。首先对KNN算法进行改进以迅速得到K个最近邻的类别标签,以此对文档的候选类别进行有效筛选。然后使用一个统一学习的多类稀疏层次SVM分类器对其进行自上而下的类别划分,从而实现对文档的高效准确的分类过程。实验结果表明,该方法在单层和多层的分类数据集上的分类准确度比单独使用其中任何一种要好,同时分类时间上也比较接近其中最快的单个分类器。     

基于神经网络的中文文本分类中的特征选择技术

基于神经网络的中文文本分类需要解决的核心问题是特征的选择问题,特征选择涉及选择哪些特征和选择的特征维度两个问题。针对上述问题,提出了信息增益(IG)与主成分分析(PCA)相结合的特征选择方法。通过实验比较分析了不同特征选择方法与特征维度对分类性能的影响,证明了该特征选择方法在基于神经网络的中文文本分类中的优越性,并得出神经网络的特征输入维度在200左右的时候分类性能最佳。     

面向分类数据的自组织神经网络

作为一种优良的聚类和降维工具,自组织神经网络SOM(SelfOrganizingFeatureMaps)已经得到广泛应用。其不足之处是仅适合于数值数据,这对时常需要处理分类型数据(Categoricalvalueddata)或数值型与分类型混合数据(Mixednumericandcategoricalvalueddata)的数据挖掘应用是不够的。该文提出了一种新的基于覆盖(Overlap)的距离函数并将其用于SOM训练。实验结果表明,在不增加时空开销的前提下可取得较好的聚类效果。     

SVM用于文本分类的适用性

本文从统计的角度描述了文本分类的关键性质,给出了相应的文本文档集的统计分类模式,并将其与支持向量机的模型结合,说明了为什么支持向量机(SVM)能够很好地进行文本分类。本文主要是从理论角度说明SVM用于文本分类的适用性,模型构造简单,并且是高度抽象、无噪音的。     

一种基于PSVM的多类分类方法

为克服传统支持向量机不能处理交叉数据分类问题,Mangasarian等人提出一种新的分类方法PSVM,该方法可有效解决交叉数据两分类问题,但用PSVM解决多分类问题还报道不多。为此,提出一种基于PSVM的多分类方法（M-PSVM）,并探讨训练样本比例与分类精度之间关系。在UCI数据集上的测试结果表明,M-PSVM与传统SVM分类性能相当,且当训练样本比例小时,效果更优;此外,在入侵检测数据集上的初步实验表明,M-PSVM可有效改进少数类的分类精度,因而为求解数据不平衡下的分类问题提供了新的思路,进一步的实验验证正在进行。     

视频中运动目标分类识别技术

随着科学技术的发展,计算机视频技术随之发展起来.基于视频中运动目标分类识别技术是计算机视频领域发展的一大重要突破点.视频中运动目标分类识别技术是将特定运动目标分为几种类别,然后对特定的类别进行识别跟踪.比如说马路上的视频监控系统,我们事先定义好特定的类别:人、汽车、自行车等等;而超市里面的视频监控系统,我们事先定义好特定的类别:人、食品、购物车等等.我们对不同的目标进行分类和总结.最后,根据各个目标的不同特征进行分类,通过分类后的特征进行识别,而满足我们对运动目标分类识别的要求.     

人车碰撞及其保护行为仿真研究

研究行人体型在人车碰撞事故中对关键部位损伤程度的影响规律,针对保护行人安全,建立碰撞力学模型,以多刚体接触动力学为基础,提出进行受撞变形研究,采用ADAMS软件对轿车分别与中国5、50、95百分位三种不同体型男性成年行人的碰撞过程进行仿真.仿真结果表明,随着行人体型的增大,对头部、胸部和下肢的损伤风险都依次增大,而且头部与轿车前端碰撞的位置和时间压间都依次往后推移.从结论中可以看出,应对轿车外置安全气囊,根据不同型体在轿车前端安装合理位置,可有效地起到保护行人的安全作用.     

基于SVM的地理试题自动分类

本文针对地理课程自动解题,采用SVM学习算法实现地理试题自动分类。通过采用TFIDF技术提取地理试题文本中的特征关键词,并选取LibSVM中的Linear核函数进行训练,以构建用于地理试题分类的预测模型。在所收集的地理试题集上的实验结果表明,在22个试题类别上的单类分类精度达到80%以上,整体分类精度也达到了87%。     

基于运动目标分类的监控视频检索系统

设计了一种面向运动目标类别的监控视频检索系统,用于快速有效地进行视频片段的定位。系统由视频分析和视频检索两部分组成,视频分析包含了运动目标检测、跟踪和分类等基本算法模块。基于视频分析模块所提供的运动目标信息,对不同视频片段进行类别标注,并形成目标类别描述文件。在视频检索过程中,使用者可通过输入的运动目标类别,快速查询到相应的视频片段。实验表明,所建系统能够帮助用户在大量的监控视频片段中快速的找出满足指定目标类别的视频片段,避免繁琐的手动浏览和查找,有效提高了监控视频检索的效率。     

基于SVM的学科试题自动分类研究

针对海量学科试题所引发的试题管理混乱现象,提出一种基于SVM的学科试题自动分类法。对学科语料进行分词、去停用词和统一相似词等预处理操作;采用TextRank算法对学科语料进行权重赋值,将语料文本向量化;用SVM中的Linear核函数训练语料得到分类器。用语料库中的12类单选题进行测试,整体分类的准确率、召回率、F1值均达到97%以上。结果表明,该分类法可以有效地分类试题文本。