基于NMF-SVM的复杂化工过程故障诊断

针对复杂化工过程中存在故障数据维数大与识别率低的问题,提出了1种非负矩阵分解与支持向量机相结合的故障诊断方法。该方法首先对原始特征数据进行非负矩阵分解,得到基向量矩阵与系数矩阵,用基向量矩阵作为输入训练SVM分类器,针对NMF结果的不稳定性,采用PCA模型确定NMF的初始值;然后通过系数矩阵构造超定线性方程组,并将其最小二乘解作为样本特征矩阵输入分类器进行故障类型的识别。通过对Tennessee Eastman(TE)过程数据的仿真研究,实验结果验证了该方法的有效性。     

适用不同Brunnstrom等级患者基于表面肌电信号的动作识别方法

针对不同患病程度的脑卒中患者运动意图识别率低的问题,提出了一种适用于不同Brunnstrom等级患者基于表面肌电信号（sEMG）的动作识别方法．首先将所有等级患者sEMG数据进行融合,使用tsfresh库提取特征,然后基于随机森林（random forest,RF）模型筛选特征,并利用筛选的特征训练动作分类模型．进一步,通过研究动作和康复等级的关系,确定了康复评估动作并设计了康复等级自动评估算法．为了验证所提方法的有效性,在24例患者sEMG数据上进行了测试,实验结果表明所提方法能够将9种动作和6类康复等级的平均识别精度分别提升至89.81%和94%．基于所提方法构建的手部康复机器人系统能够实现康复等级自动评估．     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

基于LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法.该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(sEMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量.再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征.将降维后的特征数据输入SVM分类器进行4种动作的模式识别.实验表明:此方法可以有效、准确地对人体手部动作进行分类.     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

基于肌电信号的手部动作模式识别新思路

为了更好地识别手部动作,提出了一种新思路,将单个手指的状态作为识别目标集。采集常用手部联合动作的6路表面肌电信号,以单个手指的状态为基准将动作合理规划,提取各通道样本均值构造特征向量,设计3个并行BP神经网络,从联合动作样本中学习单个手指的状态,使得分类基数小,从而降低分类的复杂度,克服了传统多分类方法中需要采集动作多的缺点。实验结果表明,采集12种手部动作的肌电信号,将手部动作合理简化为手指动作后,利用手指的状态来训练神经网络,就能够识别出手指的3个状态的所有组合动作,即所有常用的18种手部联合动作。     

基于sEMG的行走步态非均匀特性及其对识别的影响

人体生理特性和运动特性是影响步态识别的重要因素。利用实验采集的下肢表面肌电信号,首先对肌电信号进行小波消噪及特征提取,然后构造支持向量机分类器进行分类与识别,并针对步态周期数据的非均匀性（非等时性）特性进行了详细讨论。结果表明,即使在匀速行走条件下,人体步态周期仍然存在一定的非均匀特性,且这一特点会影响步态识别的准确性。这对于进一步研究步态稳定性和步态识别率等具有一定的参考价值。     

基于自排序熵的表面肌电信号特征提取方法

针对人体表面肌电信号的非平稳、非线性特点,提出一种基于排序熵和自互信息的自排序熵指标,定量描述表面肌电信号的内在动力学特性,实现肢体不同运动状态下肌电信号非线性特征的有效刻画.进行健康受试者上肢肘关节不同弯曲角度下表面肌电采集实验,计算其自排序熵指标并运用支持向量机进行动作识别,通过与已有表面肌电特征指标的对比分析,验证文中方法的有效性.     

融合表面肌电和加速度的手势动作识别

针对复杂动态手势识别问题,提出一种融合表面肌电和加速度传感信息的识别方法,对四路表面肌电与三轴加速度信号进行数据采集,通过预处理提取有效活动段,将一个完整动态手势分割为三个区段:起始段、主特征段和收尾段,提取加速度信号的宏观全局特征,并与主特征段表面肌电信号的复杂度微观细节特征组成特征向量,输入支持向量机完成分类。实验结果显示,该方法对4名受试者执行的6种中国手语手势的最高识别率为 91.2%,证明该方法对复杂动态手势具有较好的可识别性。     

基于稀疏性非负矩阵分解和支持向量机的时频图像识别

针对机械故障诊断领域对反映设备运行状态的图像识别困难以及选择和提取敏感特征困难的问题, 将基于图像的机械设备运行状态判别问题当作图像的识别问题来处理, 提出使用稀疏性非负矩阵分解(Sparse non-negative matrix factorization, SNMF)和支持向量机(Support vector machine, SVM)对时频图像进行识别进而判断机器运行状态, 从而避免特征的选择和提取. 稀疏性非负矩阵分解在对时频图像进行大规模压缩的同时, 能够很好地保留图像的隐含特征, 从而大大减少自动识别时频图像的计算复杂度, 并有效地提高支持向量机的识别精度. 此外, 本文还对影响识别率的稀疏性非负矩阵分解的各参数进行了讨论. 实验结果表明, 该方法对时频处理方法依赖性低, 在大多数情况下都能获得较传统方法高的识别率.     

基于脑电传感器的面部动作识别研究

提出了一种利用脑电传感器进行面部动作识别的方案。相比传统的可见光、深度相机、肌电方案，该方案具有体验感好、识别准确率高的特点。通过分析面部动作对脑电传感器产生的干扰信号特点，给出了系统设计，描述了基于支持向量机进行模式识别与分类的算法，最后通过实验验证，证明了该方案可在少样本的条件下，实现高精度的面部动作识别。     

基于NMF分组策略的人脸识别

提出一种运用非负矩阵分解（NMF）分组策略进行人脸识别的方法。将训练图像分组,分别对每组图像作NMF,获取每组图像的基图像构成的非负特征子空间,将训练图像和测试图像分别向各个特征子空间进行投影,将每组图像提取出的特征系数混合,根据最近邻原则进行识别。基于ORL人脸数据库上的实验证明了该方法的有效性。     

非负矩阵因子及在人脸表情识别中的应用

提出了一种基于二维非负矩阵因子的人脸表情识别方法。该算法直接将2维人脸表情图像矩阵作为2维矩阵并结合NMF进行表情特征提取,称之为2DNMF。与NMF等不同,2DNMF充分利用表情图像矩阵中的行向量间的信息和列向量间的信息,尽可能地保留了原始的表情信息。基于CED-WYU（1.0）和JAFFE两个表情数据库的识别结果表明,基于2维非负矩阵因子的特征提取方法能有效地提高识别率及效率。     

基于Fisher块对角LNMF的彩色人脸识别

为提高对彩色人脸的识别率,提出一种基于Fisher块对角局部非负矩阵分解(LNMF)的识别算法。采用块对角矩阵编码彩色图像不同通道的颜色信息,在LNMF算法中增加块对角约束和Fisher判别约束,对不同通道的颜色信息同时进行计算并融入人脸的类别信息,用于提取人脸特征。在CVL和PIE彩色人脸数据库上的实验结果验证了该识别算法的有效性。     

基于陀螺传感器的三维手势识别方案

传统输入设备无法满足人们的随意性输入需求。为此,提出一种基于陀螺仪传感器的三维手势识别方案。硬件架构由陀螺传感器信息采集模块、单片机信息处理模块以及射频无线传输模块组成。利用多功能滤波器进行数据预处理,设计一种基于角度的特征提取算法,提取三维手势特征。实验结果表明,该方案的平均识别率达到99.3%,能较好地实现3D空间的鼠标输入功能和键盘输入功能。     

基于kAS特征的目标识别新方法

提出一种复杂背景下目标识别的新方法,利用Canny算子和多边形分别提取轮廓和逼近轮廓曲线,计算k邻接轮廓线段组(kAS)特征,利用ISODATA聚类算法得到kAS码书。提取特征时采用分块加权的kAS直方图,识别过程中采用支持向量机进行训练和分类。实验结果表明,该方法在复杂场景下可以获得较高的识别率,具有平移和尺度不变性等特点。     

基于手机手势识别的媒体控制界面

提出一种能够识别通过手机示意的自然手势、进而控制媒体播放的通用型人机界面。用户通过挥动个人的手机表达操作意图,由手机内置三轴加速度传感器获取相应的手势数据,采用动态时间弯曲等多种算法对用户的手势进行识别,实现对多媒体播放的通用控制。实验结果表明,该界面对手机的几种通用手势均能获得较高的识别率,能在实际应用中对媒体进行简单、方便的控制。     

基于混合分类器的表情识别方法

根据隐马尔可夫模型(HMM)适用于处理连续动态序列信号、支持向量机(SVM)与K近邻分类器(KNN)擅长模式分类的特点,设计一种(HMM+KNN)+SVM的混合分类器。利用HMM与KNN对测试样本进行判决。当判决结果相同时,直接输出判决结果,否则引入SVM对测试样本进行再判决。实验结果表明,该方法所确定的分类器优于单一的分类器判决,能有效实现表情识别。     

基于SVM-GMM的开集说话人识别方法

建立一种支持向量机-高斯混合模型(SVM-GMM),用以提高开集说话人识别的识别率。该模型的基本思想是将SVM的分类结果用GMM模型进行确认。由于SVM模型具有较好的分类性能,而GMM模型能够较好地描述类别内部的相似性,因此这2个模型的组合能够优势互补,从而获得较好的识别效果。实验结果表明,使用SVM-GMM模型能有效地提高开集说话人识别的识别率。     

基于SVM与Inception-v3的手势识别

针对传统机器视觉的手势识别方法识别准确率低,抗干扰能力差等问题,提出了一种基于支持向量机(Support Vector Machine, SVM)手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型,利用SVM对样本进行手势分割,将Inception-v3模型作为卷积神经网络模型基础,对网络参数进行fine-tuning,将预先经过手势分割处理后的样本导入模型训练,调整超参数得到新的最优手势识别模型,并在一定干扰环境下测试,得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法,能高效识别手势,满足实际应用需求.