基于外部载荷位置预测的光纤传感器故障信号识别技术

为了解决传感器故障识别过程中识别效率低和精度低的问题,提出了基于外部载荷位置预测的光纤传感器故障信号识别方法。通过合成外差算法和傅里叶变换解调和去噪传感器信号;采用本征模函数提取不同故障下信号特征,并将其分为状态信息和扰动分量两部分,计算二者之间的近似性,结合线性模型提取故障信号特征向量;利用系统灰色性故障识别方法和外部载荷位置预测传感器多角度负载并进行融合处理,构建灰色关联矩阵计算其与标准数据之间的贴近度,完成光纤传感器故障信号识别。仿真分析结果表明,所提方法在故障信号解调、去噪以及识别方面均具有明显的优势。对深入研究传感器起到了一定的推动作用。

基于小波变换的陶瓷零件研磨后的正废品识别

提出了一种基于小波变换的陶瓷零件研磨后的正废品检测方法。该方法经过两次小波变换,提取二层小波变换的近似分量做为特征向量,然后使用近邻法则进行识别。经过试验分析,发现该方法在对陶瓷零件研磨后的正废品的测试上具有一定的可行性。

基于仿生模式识别的眉毛识别方法

在人类的眉毛已经作为一种独立的生物特征进行身份识别和前人所做的研究的基础上,本文提出了一种基于仿生模式识别的眉毛识别方法.通过实验结果表明,在一个有120人的眉毛信息库上,该方法具有较高的识别率,最高识别率可达91.67%.

眉毛识别方法综述

人类眉毛的轮廓,形态和纹理特征具有良好的特异性和稳定性,所以人类的眉毛将可以作为一种独立的生物特征进行身份识别。该文首先对当前已有的眉毛识别方法和作者所研究的眉毛识别方法进行了综述,然后对眉毛识别今后的研究方向进行了阐述和分析。

基于灰度共生矩阵的眉毛识别方法

文章提出了一种基于灰度共生矩阵的眉毛识别方法.采用灰度共生矩阵提取眉毛特征,利用最近邻法则进行识别.通过实验结果表明,在一个109人的眉毛信息库上,该方法具有较高的识别率,最高识别率可达91.7%.

基于分块PCA的眉毛识别方法研究

通过前人的研究,眉毛已经可以作为一种独立的生物特征进行身份识别.本文提出了一种基于分块PCA的眉毛识别方法.在109人的眉毛库上进行实验,实验分析了阈值和分块数量对识别率的影响,并且识别率最高可以达到92.66%.

基于PCA和SVM的陶瓷零件研磨后的正废品识别

提出使用主成分分析(PCA)和支持向量机(SVM)对研磨后的陶瓷零件进行正废品检测。首先利用主成分分析法对研磨后的陶瓷零件进行特征提取,然后在支持向量机的算法上进行识别验证。通过实验分析,在阈值取0.93时,对研磨后的陶瓷零件正废品检测的识别率最高。

基于小波变换的眉毛识别方法

提出了一种基于小波变换的眉毛识别方法.该方法利用小波变换进行眉毛特征提取,选取奇偶行三层小波变换的高频、水平分量、垂直分量和整体二层小波变换的低频部分作为特征,利用最近邻法则进行识别.实验结果对比表明,该方法简单且识别率较高.

基于LDA的眉毛识别方法研究

基于LAD提出了一种眉毛识别方法。首先利用线性判别分析方法进行特征提取,是在主成分分析方法(PCA方法)提取特征的基础上,再进行两次投影得到最终的特征向量。解决了PCA中忽略高阶统计量信息的缺点。最后利用最近邻方法进行识别。在109人的眉毛数据库上进行实验,得到了比较满意的识别率,进一步证明了眉毛识别的可行性和正确性。

一种基于DWT-SVD的彩色图像水印嵌入方法

为了进一步加强多媒体的信息安全和版权保护问题,文中基于离散小波变换和奇异值分解理论,提出将RGB三色通道的水印图像分别嵌入到载体RGB三色通道中,其特点是以彩色图像作为水印.实验结果表明,该算法水印具有不可见性好、嵌入信息量大、抗攻击能力强等特点.

基于ICA的眉毛识别方法研究

本文提出了一种基于ICA的眉毛识别方法。在经过预处理的眉毛图像上,先用ICA算法对眉毛图像进行特征提取,得到其特征向量,然后用K-近邻算法进行识别,最后经过实验验证,眉毛识别的识别率可以达到94.7%。再一次验证了,眉毛用于生物特征识别的可行性。

基于改进的SVM的甲状腺图像检索

针对SVM处理大数据量和区分训练集样本属性的重要性差的问题,我们将SVM和粗糙集结合,构造了基于粗糙集与SVM的图像检索相关反馈算法,将其应用于甲状腺CT图像检索。实验结果表明,改进的SVM分类精度可达到92.53%,相比SVM的分类精度(76.58%)提高了15.95%,进而使检索的查准率和查全率也分别提高到89.53%和29.67%。