电子电路图的自动输入、理解及与ORCAD的链接

本文介绍一个最近由我们研制成功的电子电路图自动输入系统的构成与特点。利用本文提出的内、外边缘快速判决法及在“非环形”符号各端点加“黑点”的辅助措施提高了模式分离的可靠性。为了最大限度地利用原始信息，我们采用直接从光栅图中抽取特征的办法去识别字符与符号。在手写符号的识别中，我们提出了四边带投影的特征抽取方法并把它了引入到“决策树”的判决过程中，使识别率与识别速度都得到提高。当系统对整图的拓扑关系进行理解之后，还实现了与当前国际流行的ＣＡＤ软件ＯＲＣＡＤ的链接、使系统能以自动输入的方式支持自动布线与电路模拟。     

基于全局特征和局部特征组合的脸谱识别方法

本文中,提出了一种新的脸谱识别方法。首先利用核主分量分析技术提取脸谱图象的全局特征,然后利用独立分量分析技术提取脸谱图象的局部特征,分别挑选出部分局部特征向量与部分全局特征向量组合成脸谱的组合特征向量,然后利用支持向量机分类器进行识别。采用ORL脸谱库进行测试,并与其它特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其它方法。     

语音转换技术在电话语音识别中的应用研究

提出了一种用语音转换技术改善电话语音识别性能的方法。通过模拟真实电话信道条件下影响语音质量的各种因素，实现由纯净语音到电话语音的转换。识别试验利用模拟电话语音评估了HMM识别器做MLLR自适应前后的性能．实验数据显示，自适应前由转换语音训练的模型识别率比由纯净语音训练的模型识别率增加了18．9％，而自适应试验表明，由转换语音训练而成的模型在MLLR自适应后，系统识别性能进一步得到改善，识别率增加了5．8％。识别实验表明所提语音转换方法可以减小由于真实电话语料缺乏而造成训练语音和测试语音声学性质的不匹配，从而有效地改善电话语音识别系统的性能。     

基于重复训练提高SVM识别率的算法

持向量机 (supportvectormachine ,SVM)作为一种新的模式识别算法 ,在许多模式识别问题上表现出了良好的识别性能和推广能力。和其它模式识别方法一样 ,如何进一步提高识别率一直是研究的热点。通过分析SVM的分类机理 ,提出了一种基于重复训练的SVM算法。该算法以较小的训练代价 ,通过提高支持向量在样本中的比例 ,提高了SVM的识别性能。基于重复训练的SVM算法为提高识别率提供了一种新的思路 ,也为SVM算法的自学习奠定了基础。     

基于舰船噪声仿真模型的目标识别研究

将国际上迅硅盖展的基于模型的识别技术应用到舰船目标识别中，摄取舰船目标识别信息，在建立舰船辐射噪声仿真模型的基础上，推导了单、双螺旋桨舰船辐射噪声调制谱谐波族幅值特征的数学期望表达式，提出了基于仿真特征的舰船目标识别方法，并对五类舰船目标进行了分类识别实验，取得了较好的识别效果：正确识别率分别为92．6％，87．3％，83．5％，76．9％，78．2％。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

目标特征提取的快速算法

本文利用快速计算图象的终点矩,给出了计算高阶矩不变量的快速算法,使得提取目标特征的运算量大大降低。模拟结果表明,增加特征矢量的维数,即在特征中用到更高阶的矩不变量,可以有效地提高对复杂图象的识别能力。     

基于支持向量机的低空飞行目标声识别

目标识别是战场低空飞行目标声预警技术的核心内容之一。为了满足声预警系统的要求,建立的识别器必须高效、具有较好的推广能力。采用了一种新的分类器一支持向量机对目标进行了分类识别。首先简要描述了直升机、巡航导弹的声信号特性,说明了支持向量机的原理。以自回归模型参数为特征向量对3种直升机、一种巡航导弹共4类目标进行了识别,并同一种前向反馈神经网络进行了识别比较。支持向量机和该神经网络得到的识别率分别为88.1%和84.1%,结果表明此方法的有效性。最后分析了两种分类器识别错误的原因,给出了提高识别率的建议。     

脑-机接口中时变公共空间滤波器的研究

为了提高分类识别率,提出了-种新的公共空间算法一时变空间滤波算法.该算法中,公共空间滤波器的值不再是常数,而将随着时闸而变化,它能够有效提高任务的识别率.首先给出公共空间模型的数学公式,然后进行时变公共空间滤波器的数学求解,试验结果表明时变公共空间滤波器在BCI的实用性,能够达到很好的识别效果.     

星图识别的剖分算法

为了提高星敏感器的测量速度和精度,在星图识别中首次采用了在地球物理地质建模中有着广泛应用的剖分算法。利用这一算法进行星图的匹配识别,仿真实验结果表明与现有的星图识别算法相比,此算法具有高的识别率,良好的实时性和鲁棒性,且所需导航星库的容量小,检索速度快。     

基于边缘点投影方差最小的车牌倾斜校正方法

在车牌识别系统中,为提高字符分割和识别的效果,需要对定位后的车牌图像进行倾斜校正.提出了一种基于边缘点投影方差最小的车牌倾斜校正方法.首先将旋转后车牌图像的垂直边缘向水平方向投影;然后导出边缘点投影方差最小时旋转角度的闭合表达式,由此一步确定车牌的倾斜角度;最后通过双线性插值方法校正车牌.给出了实验结果,并与车牌倾斜校正的Hough变换法、旋转投影法和主成分分析法进行了精确度、算法复杂度及运算时间的比较,结果表明所提出的方法精确度高、鲁棒性好、实时性强.通过进一步分析和推广,将车牌倾斜校正方法总结为两种不同类型的方法,并对它们进行了比较.     

一种用于模式识别的多色Voronoi图

提出了一种新的Voronoi图———多色Voronoi图 ,并证明了它的一些重要性质。多色Voronoi图是在Voronoi图的构造过程中 ,根据数据集的特性给Voronoi图染色的结果。用多色Voronoi图概念设计的模式分类器(MCVC)是一种非线性多类别最优分类器 ,可以解决线性可分和线性不可分问题 ,同时MCVC对新增加的训练样本具有快速局部学习能力 ,这种局部学习能力克服了神经网络方法常出现的过学习问题 ,很类似于人对概念的学习。将多色Voronoi图概念用于支撑矢量机的构造中 ,进行支撑矢量的预选取 ,可以提高支撑矢量机的学习速度     

基于模糊模式识别的选煤厂工序失控原因诊断系统

考虑了模糊特征分量对识别模糊模式的重要程度 ,给出了一种新的模糊模式识别方法 .针对选煤厂的洗选工序 ,利用 CIMS的系统集成环境和其他功能模块 ,得到了工序失控原因特征向量 ,基于模糊模式识别给出了工序失控原因诊断方法 ,并给出了系统实现的数据流程图.     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位.针对现有调制识别算法在低信噪比条件下识别率低的问题,提出一种基于生成对抗网络(generative adversarial network,GAN)和卷积神经网络(convolu-tional neural network,CNN)的数字信号调制识别方法.在利用平滑伪W...     

稀薄大气层内轻诱饵速度识别法

随着地基相控阵雷达测速精度的大幅度提高,针对稀薄大气对轻诱饵有明显的减速作用,提出了一种新的目标识别方法——稀薄大气层内轻诱饵速度识别法,并对其识别原理、识别判决准则进行了详细阐述和分析,该方法通过雷达高精度多普勒测速及轨迹估计信息,获取轻诱饵气动减速特性进行识别,避开了质阻比参数估计中动态收敛过程。最后通过典型算例的计算机仿真计算,验证了该方法的有效性。     

基于卷积神经网络的串行空时分组码盲识别算法

针对多输入单输出(multiple input single output, MISO)系统中的空时分组码(space-time block code, STBC)盲识别问题, 提出了一种基于卷积神经网络(convolutional neural network, CNN)的串行STBC识别方法。首先, 结合STBC识别问题提出了基本CNN (CNN basic, CNN-B)框架; 然后在分析STBC相关性的基础上, 针对空间复用和Alamouti信号混叠问题, 设计了基于相关性的CNN (CNN based on correlation, CNN-BC)模型; 最后将STBC数据集输入到网络模型中, 完成网络的训练和识别测试。仿真结果表明, 相比于基于特征提取的传统算法, 该方法将可识别的STBC扩展到了6种, 并且在低信噪比下的识别准确率更高, 识别过程可控制在微秒级别, 具有较高的工程应用价值。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。