基于加权混合特征的话者识别算法

用多窗谱估计和伽马通滤波改进经典的梅尔倒谱特征(MFCC)的识别性能,并与delta特征相结合,提出了一种基于加权参数设置策略的混合特征话者识别算法.该算法解决了梅尔倒谱系数方差过大、听觉特征不明显及话者识别算法特征单一的问题.仿真结果表明:与MFCC和线性预测的提取方法相比,该算法鲁棒性能更优,对不同噪声环境的适应性更好.

一种带钢表面缺陷识别与分类的研究——基于混合加权特征和RBF网络的方法

为了为高速生产线上的带钢表面缺陷的实时检测提供有利的条件,对已有的19维特征向量通过顺序后退法选择了混合加权的9维特征向量,选用RBF神经网络作为分类器,通过对现场采集的带钢表面缺陷图片进行训练与识别,确定了RBF网络的扩展速度的最佳值0.4,网络的训练速度较快,缺陷的平均识别率为93.85%。结果表明:提取混合加权向量与选择RBF神经网络的分类器,能够使网络的结构大大减少,同时具有识别速度和识别率上的优势,能够为带钢表面缺陷的在线实时检测提供软件方面的智能技术。

基于特征加权的人脸识别

现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上,人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用,分别采用三种加权方法对人脸图像进行了预处理,并应用流行的人脸识别方法(联想记忆、主分量分析和Fisher线性判别分析)进行识别。最后用标准人脸库ORL进行了实验,实验结果表明特征加权方法对人脸识别是有效且通用的。