基于DT‒SVM优化算法的人体姿态特征提取与识别研究

为确定人体运动行为在空间环境中的表现情况,实现对姿态特征的准确定义,针对基于DT‒SVM优化算法的人体姿态特征提取与识别方法展开研究.利用DT‒SVM优化算法,推荐必要的姿态特征节点,确定人体运动行为所处空间平面.实施对姿态特征的梯度化处理,根据获取到的轮廓节点,计算夹角向量的具体数值,从而求解姿态特征提取与识别的数学表达式,完成基于DT‒SVM优化算法的人体姿态特征提取与识别方法的设计.实验结果表明,上述方法的应用,可同时在X轴、Y轴、Z轴三个方向上,控制人体运动行为,使其偏向角数值均不超过12°,符合精准定义人体姿态特征的实际应用需求.

基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

基于特征提取的数字识别算法研究

基于模板匹配的数字识别算法需要保证训练样本和模板样本一致,基于深度学习的数字识别算法需要保证有大量的训练样本。然而户外环境复杂,很难找到所有与训练样本相匹配的模板样本,搜集到的图像也比较有限,很难建立一个大的数据集,因此识别准确率欠佳。基于这种情况,本文提出了一种采用方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)分类器训练的方法对数字进行识别。为了增强复杂样本识别的鲁棒性,本文还对获取的图像进行了一系列的投影分割操作。实验后发现,本文所提算法可以有效避免模板匹配和深度学习方法的缺点,具有较高的识别准确率,且运行速度较快。

基于小波基特征提取的苹果叶部病害检测算法设计

针对苹果叶部常见病害实现绿色、无损检测,提出了一种基于SVM和小波基特征提取的苹果叶部病害识别算法。该算法通过对苹果叶片图像进行小波变换,提取出小波系数后,进一步执行小波包变换,再提取出具有代表性的小波基特征,根据每个区域的特征参数,得到一组小波基特征向量,然后通过SVM进行模型训练,使用SVM分类器对不同病害进行分类识别。试验结果表明,基于小波基特征提取的苹果叶部病害识别算法,识别常见五种苹果叶部病害准确率较高,可靠性较好,满足实际生产中对苹果叶部病害无损检测的需求,为绿色、智慧果业提供技术支持。

基于AI图像处理的煤矸石特征提取及分类方法

当前煤矸石分选工作主要依赖于传统的人工方式,存在识别准确率不高、效率低下等不足。基于此,提出了一种基于AI图像处理技术的煤矸石特征提取及分类方法。通过对煤矸石和煤料图像的预处理,来增强图像的特征,并将灰度共生矩阵中的角二阶矩、相关性、对比度以及熵等代表性参数作为煤矸石纹理特征提取依据,从而构建基于支持向量机(SVM)和HOG特征相结合的分类模型。实验结果表明:该分类方法能够有效完成煤矸石特征的提取,识别准确率达到95.6%,能够进一步提高煤矸石的分拣效率。

基于改进HOG特征提取与SVM分类器的建筑裂缝识别方法

针对现有的建筑外墙裂缝检测及分类算法在裂缝所处环境复杂的条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于改进的梯度方向直方图(Histogram of Oriented Gradients,HOG)特征提取与支持向量机(Support Vector Machine,SVM)相结合的建筑裂缝识别方法。在原有的HOG特征提取步骤上增加了图像增广、直方图修正和中值滤波三项预处理技术,然后将提取出的特征传入SVM进行分类识别。根据所提方法对300张图片进行检测,其准确率达到93%。对比于直接将HOG与SVM相结合的方法,获得了更高的图像识别精度,验证了所提方法的有效性和可行性。

基于多特征提取和SVM分类的手势识别

针对手势识别过程中分割出的手势不精确、利用单特征识别时识别率低等问题,提出一种使用深度信息进行多特征提取的手势识别算法。利用Kinect得到深度信息并完成人手定位,将手部区域细分成手掌区域、指尖区域和手臂区域;提出3个不同的特征描述子,即指尖点到手掌中心点的距离、指尖点到手掌平面的距离以及手掌区域特征;应用一个多分类的支持向量机(SVM)分类器对手势进行分类,在所建手势数据库中完成算法验证。实验结果表明,该算法能够精确分割手部区域,手势识别率得到很大提高。

有限集手写体汉字特征提取及分类器设计

介绍了手写体汉字特征提取的基本概念 ,采用了一种叠合网格加权笔画提取方法用于提取有限集汉字特征。通过对径向基函数网络 (RBF网络 )的模型分析 ,提出了一种组合RBF网络分类器应用于有限集手写体汉字识别 ,并利用结合遗传算法和模拟退火算法的混合优化策略进行RBF分类器的训练。

基于SVM的新疆哈萨克族食管癌医学图像特征提取及分类研究

目的:利用SVM对新疆高发病哈萨克族食管癌X线医学图像进行分类研究。方法:随机选取正常食管和缩窄型食管癌X线医学图像各120张,运用灰度直方图法和灰度共生矩阵法提取图像的特征,采用Lib-SVM工具箱,在SVM类型设置上选择C-SVC,选择4种核函数,通过调整核函数的参数与C-SVC分类器的参数进行实验。结果:利用灰度直方图法提取的特征量进行分类时,线性核函数和RBF核函数的分类准确率较高,均可达92.5%;利用灰度共生矩阵法提取的特征量进行分类时,线性核函数、RBF核函数、Sigmoid核函数的分类准确率较高,均可达87.5%;利用灰度直方图特征和灰度共生矩阵特征组成的综合特征进行分类时,多项式核函数和RBF核函数的准确率较高,均可达97.5%。结论:灰度直方图特征的分类能力优于灰度共生矩阵特征;综合特征的分类能力优于单一特征的分类能力;RBF核函数的分类性能较其他核函数突出。SVM对食管癌X线医学图像具有较高的分类识别率,为新疆高发病哈萨克族食管癌的计算机辅助诊断系统的研究奠定了基础。

神经网络分类器的特征提取和优选

结合木质胶合体缺疵质检过程,论述了用类内方差、类间方差,特征相关度三个目标函数综合测度图像特征差异的技术方法,从而实现了对神经网络输入层神经元的优选,降低了网络规模,提高了分类性能.

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。

一种面向最近邻分类器和动态Snake模型的血红细胞图像特征提取方法

利用动态可变的Snake活动轮廓模型,并提取相应的特征区域色彩信息,结合改进的最近邻(Nearest Neighbor,NN)分类器核鉴别算法,通过信息融合方法实现对血红细胞图像的特征精确提取,这种方法可应用于临床辅助检测和诊断过程,具有一定的应用价值。

基于三域特征提取和GS-SVM的ECG信号智能分类技术研究

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f 1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。

基于KNN分类器的分层图像特征提取

给出一种基于k最近邻分类器(KNN)的分层图像特征提取方法.该方法能有效地获得有代表性和判别性的模板集合,并以较低计算复杂度来获取更高的识别精度.

基于SVM算法的两种特征提取的图像分类方法分析

为了提高图片分类的效果,文章提出了基于SVM算法的两种特征提取的图像分类的方法。首先分别对图片数据集进行灰度直方图特征提取和SIFT特征提取,然后再用SVM算法对以上两种特征提取的图片数据集进行分类。实验结果表明,采用SIFT特征提取的图片分类效果明显好于采用灰度直方图的图片分类效果。

国画特征提取及SVM分类的应用

为了提高国画检索效率，应用SVM算法对鞍马画、花鸟画、人物画、竹子画和山水画等国画进行分类。首先通过对收集的国画样本进行预处理；其次，利用人眼对颜色的划分特点，把RGB模式图像转化为HSV模式，对其H、S、V分量进行非等间隔量化，组成一维特征向量，同时结合惯性比形成图像颜色特征信息，使用灰度共生矩阵算法获取纹理特征信息；最后，通过对比网格搜索、遗传算法（GA）、粒子群算法（PSO）的参数寻优方法，应用网格搜索法对国画图像进行分类，并对比了BP神经网络和判别分析算法的分类效果，SVM的正确率高达97%以上，试验结果表明SVM在国画分类应用是有效和可行的。

基于IMF能量谱的水声信号特征提取与分类

经验模态分解(EMD)是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数(IMF)。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机(SVM)分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。

基于振电结合的高压断路器特征提取及分类方法研究

为了对高压断路器操作机构的工作状态进行较准确的评估,提高高压断路器机构的运行稳定性,提出了一种基于振动信号与电流信号结合的高压断路器信号特征提取和分类方法。首先通过对高压断路器分合闸线圈电流信号和振动信号的机理分析,提出利用时间节点参数作为特征向量,然后采用曲线斜率方法提取电流信号时间参数,利用基于短时能量的双门限法提取振动事件的时间参数,将两者的参数作为模式识别的特征向量。最后通过支持向量机(Support Vector Machine, SVM)分类结果表明:线圈电流曲线与振动信号相结合能够准确而全面地反映操作机构的运行状况,利用SVM可以快速准确的判断操作机构的故障类型,对于断路器的故障诊断和检修维护具有重要的意义。

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.