对融合特征敏感的三维点云识别与分割

三维点云分类分割网络忽视了融合特征中的冗余信息,缺乏放大有效特征占比能力,不能充分挖掘特征的表达性。在CurveNet网络基础上,提出了一种能够筛选和丰富融合特征的方法,对点云的识别与分割效果达到了较先进水平。首先,提出了对融合特征具有筛选能力的特征选择子网络,利用结合了打分机制的Top K算子选出包含有效信息的融合特征,并且能够自适应地赋予被选特征权重。其次,在聚合曲线特征模块中增加了两个新分支,分别学习曲线内部点距离特征和曲线之间的线距离特征,通过快速通道相关性注意力机制提取各分支的内部相关性,增强了网络特征的信息描述能力。实验结果表明,分类任务在ModelNet40数据集上准确率达到了93.8%,分割任务在ShapeNet Part数据集上平均交并比达到了86.4%。与基准网络相比,分类效果与分割效果均有所提高,证明了算法的有效性。

混合属性数据深度无监督融合特征学习方法

高质量的特征表示是实现数据精准挖掘的关键。针对现有特征学习方法难以有效提取混合属性数据中不同属性之间关联和数据内部真实信息的问题,提出一种面向混合属性数据的深度无监督融合特征学习模型(DUFERM)。该模型建立了一个双模态自编码器框架,对分类属性和数值属性采用不同路径进行建模,并采用深度多模态融合策略加深两种属性之间的联系;针对分类属性构建基于加权异构网络的离散特征自编码器,充分挖掘分类属性内部的结构和语义信息,针对数值属性构建连续特征自编码器,两个独立的自编码器以联合表示的形式组合在公共潜在表示层中;最后以预训练和联合训练相结合的无监督训练方式获得混合属性数据的融合特征表示。在10个公开数据集上的大量实验表明,所提DUFERM模型在各项评价指标上的综合性能优于现有经典的和新颖的混合属性数据特征学习方法,可以充分提取混合属性数据内部潜在特征,取得高质量的融合特征表示结果并提升下游数据挖掘任务的准确性。

基于F-DFCC融合特征的语音情感识别方法

结合神经网络、并行多特征向量和注意力机制,有助于提高语音情感识别的性能。基于此,从前期已经提取的DFCC参数入手,提取I-DFCC和Mid-DFCC特征参数,利用Fisher比选取特征参数构成F-DFCC;再将F-DFCC特征参数与LPCC、MFCC特征参数进行对比并融合,输入到含双向LSTM网络及注意力机制的ECAPA-TDNN模型中;最后,在CASIA和RAVDESS数据集上验证F-DFCC融合特征参数的有效性。实验结果表明:与单一的F-DFCC特征参数相比,F-DFCC融合特征的准确率WA、召回率UA、F1-score在CASIA数据集上分别提高0.035 1、0.031 1、0.031 3;在RAVDESS数据集上分别提高0.024 5、0.035 8、0.033 2。在两个数据集中,surprised情感的识别准确率最高,为0.94;F-DFCC融合特征参数的6种和8种情感识别率与其他特征参数相比均有所提升。

基于游客感知的凤凰古城文旅融合特征

文旅深度融合是古村镇旅游业高质量发展的内在动力。文章基于马蜂窝等9个主要旅游网站的2892篇游记,运用语义网络聚类分析、社会网络分析等方法,构建游客感知下的旅游要素网络结构,探究凤凰古城的文旅融合特征。基于感知形象的分析表明,凤凰古城文旅融合的总体特征体现出以苗族文化为核心,以“食住行游购娱”为主体构成的高质量发展趋势。通过语义网络聚类分析对凤凰古城文旅融合特征的类型进行划分,共包括3个一级子群,8个二级子群。其中,文化景观类要素位于网络核心位置,其后依次为旅游消费类和旅游交通类要素,体现了凤凰古城独特悠久的历史文化,以产品承载文化内涵和景观群化的文旅融合特色。从感知形象的情感要素网络结构来看,游客对凤凰古城的景观要素感知整体上是积极的,表明了游客对凤凰古城文旅融合发展特色的高度认可,负面评价集中于食住购娱方面,反映出部分景观存在文旅融合层次不高、过度商业化等问题。文章结论可为我国古村镇文旅深度融合和高质量发展提供参考。

基于加权多矩融合特征的矿物影像智能识别算法研究

随着数字识别技术在镜下影像分析的广泛应用,镜下物质类型的智能识别成为了一个微观分析的基础问题。镜下影像自动识别不仅能有效节约人工成本,还能提高识别效率。针对镜下矿物智能识别精度低的问题,以镜下影像的颜色矩、纹理矩以及形态RSTC矩3类指标为识别特征,以指标熵权和变异系数权为识别初始权,构建了一种多矩融合机器学习智能识别模型。选取磁铁矿、云母、方解石、黄铜等的影像集为第一类样本,以烧结矿中的玻璃相、铁酸钙等影像作为第二类样本,提取样本颜色矩、纹理矩和形状RSTC矩的特征,量化分析了特征在影像识别中的贡献率,开展了多矩融合机器学习智能识别试验。结果表明:不同类型特征指标对影像识别过程贡献率有明显差异,多矩融合机器学习智能识别模型具有较好的识别率和鲁棒性,能够明显提高影像识别精度,指标熵权和变异系数权为初始权能够明显促进算法快速收敛,减少识别时间,该研究为矿石镜下影像识别提供了新的方法。

RBAT:基于融合特征和残差网络的入侵检测模型

面对海量不平衡网络流量数据,传统入侵检测技术的准确度不高。为解决此问题,提出了一种基于融合特征和残差网络的入侵检测模型RBAT。利用SMOTE过采样和TOMEK LINK欠采样结合的综合采样方法解决原始数据不平衡问题。利用双向门控循环神经网络GRU、卷积神经网络CNN提取数据的时间特征和空间特征,添加注意力机制,强化2种特征关键信息的重要程度,再将2种特征通过跨层连接的方式融合,融合的特征模块与残差网络结合,提高模型拟合能力和准确度。实验采用经典的NSLKDD作为基准数据集进行仿真测试,结果表明:与其他模型相比,该模型检测准确度为99.62%。

基于时频空多维融合特征的脑电情感识别

脑电信号(electroencephalogram,EEG)包含丰富的时间,空间和频率信息,是最能准确反映情感状态的生理信号,在情感识别领域发挥着重要作用。由于单特征的脑电情感识别研究方法存在缺失信息的问题,因此提出了三维融合特征的脑电信息处理方法,将脑电信号的微分熵频域特征和8种时域特征进行融合,并按照电极片位置信息进行空间排布,构建脑电信号的三维融合特征。将注意力机制引入多任务卷积神经网络(multi task attention convolutional neural network,MTA-CNN),并将构造的三维特征作为输入进行测试分析。结果表明,所提出模型方法在DEAP数据集的效价维和唤醒维二分类问题准确率均有显著提升。

基于Gabor融合特征的疲劳判断模型研究

随着生活水平不断提高,汽车已经成为主要的交通工具,同时,疲劳驾驶也逐渐成为交通事故的主要原因。通过面部信息对驾驶者的疲劳状态进行判断是目前的主流方法,采用Gabor多尺度融合特征方法对驾驶员的面部表情特征采用融合规则进行融合并分类。本文通过调研发现,驾驶过程中驾驶员产生的疲劳表情、积极表情和中立表情会对大脑精神活跃度产生重要影响,并研究不同表情对人类疲劳的影响权重,确定相应表情权重值,最后通过数据模型确定疲劳指数检测公式,并判定疲劳状态。

基于融合特征的呼吸病咳嗽检测方法研究

呼吸系统疾病是全球重症和死亡的最常见原因之一。快速精确的检测对呼吸病治疗至关重要。随着人工智能技术的发展,使用深度学习方法通过咳嗽声音检测呼吸系统疾病是一种有效的解决方案。然而,由于公开数据集较少,基于咳嗽声音的呼吸病检测分类研究较少,将手工特征和最新的深度音频嵌入进行特征融合的研究也较少。本文使用音频分割和语音数据增强方法对数据集进行扩充并评估了4种不同类型的声学特征在呼吸病咳嗽检测任务中的适用性。在此基础上,设计了一个基于融合特征的双通道卷积神经网络TCCNN。实验结果表明,当使用MFCC与OpenL3特征作为TCCNN模型输入时,在呼吸病咳嗽检测任务中可以获得74.1%的F1分数和73.5%的准确率,优于仅使用单一特征的结果。

基于时频融合特征的肺动脉高压心音分类模型

先心病相关肺动脉高压是一种严重的心血管疾病,致死率高,对其进行早期筛查与识别对于治愈尤为重要。目前临床是通过右心导管术确诊,此为有创检查,不便于在大规模筛查中采用,研究一种无创便捷的识别方法迫在眉睫。文中建立了一种时频融合的心音分类模型。首先对心音信号进行预处理,然后使用融合滤波器组对信号进行转换并求取动态时频特征,最后将得到的融合特征参数输入表格式先验数据拟合网络(TabPFN)中进行分类识别。实验结果表明,该算法在正常、CHD-PAH和CHD中的平均准确率、精确率、灵敏度、特异度和F1分别为92.21%,92.15%,92.15%,96.11%,92.14%。对于先心病相关肺动脉高压的早期筛查与识别具有重要意义。

基于融合特征与注意力网络的刀具状态监测

刀具磨损是影响零件加工质量的重要因素之一,为了准确可靠地监测刀具磨损状态,提出了一种基于融合特征和注意力机制卷积神经网络的刀具状态预测模型。首先,在铣削过程中采取切削力与振动信号,提取了有效的加工信号;其次,利用对称点模式、小波包分解等信号处理技术对力与振动信号进行重构,建立了不同磨损状态下的信号特征二维图,并对不同工艺参数进行灰度化表征;最后,构建基于SE注意力机制的卷积神经网络模型,利用融合的信号特征图与工艺参数灰度图对刀具磨损状态进行预测。结果表明,基于融合特征与注意力网络的识别模型对于刀具的磨损状态预测有较好的识别效果。

基于融合特征的CNN-Transformer墙体瓷砖粘贴空鼓检测算法

建筑墙体瓷砖粘贴空鼓的敲击检查方法是目前无损检测中应用最多的检测方法。为实现对复杂敲击位置下的识别和智能化检测,使用敲击法获取空鼓声音信号,提取连续小波变换(CWT)时频图和梅尔倒谱系数(MFCC)等时序特征。设计轻量化注意力CNN-Transformer双分支网络GATRNet,提出一种基于门控机制的特征融合模块,对CWT时频图和融合时序特征分别提取深度特征并进行融合。试验结果表明,所提方法测试精度可达99.10%,特征融合模块能够充分融合多种特征;相较于机器学习和神经网络识别方法,GATRNet在面对复杂敲击位置的声音时,多样性评价指标明显较优异。

基于听觉融合特征的多声音事件检测

为提高多声音事件检测任务的性能,本文深入研究速动压缩非对称谐振器级联CARFAC数字耳蜗模型,并提出了基于听觉融合特征的多声音事件检测方法 .该方法首先利用CARFAC提取混叠声音的神经活动模式图NAP,然后将NAP与GFCC拼接后生成融合听觉特征,并将其送入CRNN神经网络进行全监督学习,以实现对城市声音事件的检测.实验表明,在低信噪比且重叠事件较多的情况下,融合听觉特征较单独的NAP、MFCC以及GFCC等特征具有更好的鲁棒性和多声音事件检测性能.

基于融合特征与卷积神经网络的耳鸣偏好音自动标注研究

在耳鸣声治疗中加入患者偏好音乐可有效改善耳鸣治疗效果。为满足患者个性化偏好的音乐需求,本研究提出了一种基于logMel与Hpcp融合特征的音乐自动标注新方法。该方法首先通过提取音乐的声学与乐理相关特征,然后输入双分支EfficientNetV2-s网络,进行音乐标注。经测试,本研究方法在MTAT数据集上的ROC-AUC值达到了0.9119,相较于其他音乐标注方法,标注性能有一定提升,对耳鸣偏好音选择具有一定的参考价值。

交叉融合特征的夜间车辆异常检测算法

针对在夜间场景下对车辆的一些异常检测效果不佳、模型参数量大等问题,制作了夜间车辆异常数据集,并对YOLOv5进行改进,将夜间中车辆异常图像放入其中训练,最终检测效果有所提升。其中改进有:在YOLOv5网络模型中Backbone层引入深度超参数卷积DO-DConv,可以加快收敛速度、提高网络性能、有效降低参数量和浮点计算量并提高检测精度;根据轻量化卷积GSConv可以在检测的准确性和速度之间实现平衡,设计了新的VOV_SimAM模块以及C3_SimAM模块,以提高对重要异常特征的提取能力;提出流对齐交叉融合特征金字塔网络(flow alignment feature pyramid networks,FaFPN)和FaConcat拼接方式,减少参数量与浮点运算量;引入理智交并比(wise-intersection over union,Wise-IoU)损失函数以解决质量较好与质量较差的样本平衡问题,实现对车辆碰撞、车辆起火和车辆翻车的检测。该模型相较原YOLOv5网络模型,参数量和浮点计算量分别减少了8.5%和28.8%,对车辆碰撞、车辆起火和车辆翻车的检测平均精度(average precision,AP)值分别提升了11.3%、5.9%、29.1%,均值平均精度(mean average precision,mAP)值提升了15.4%,为智能视频警务应用提供了一个较好的借鉴。

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下,应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题,提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先,基于聚类技术实现多任务学习中相关任务的选择;其次,为每一类用户群构建多维融合输入,合理有序容纳多个任务的特征,避免维度爆炸和信息混乱;最后,分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型,学习共享特征,并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析,结果表明,该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

基于融合特征值提取的配电网工程数据分析算法

针对现有算法对配电网工程数据预测精度较低的问题,文中对数据特征融合与多元数据分析模型进行了研究。为了消除原始配电网数据仓库中的噪声并降低冗余度,引入了一种主成分分析算法(PCA)。该方法将原本相关的特征重新组合为互不相关的特征,以缩短后续数据分析的时间开销,从而避免了维数灾难。在进行造价预测时,利用特征融合后的实际工程数据对回声状态网络(ESN)加以训练,且在网络中加入了一种储备池结构来替代传统神经网络中的神经元,进而提升了网络的收敛速度。仿真结果表明,所提模型可以在降低数据维度的同时,全面地表征配电网工程的特性。且该算法对配网工程造价数据的预测精度较现有主流算法也有显著提升,与BP神经网络相比,其NMSE和MAPE分别提升了19.60%与2.76%。

融合特征的红外与可见光异源图像匹配

当前红外和可见光图像配准未考虑灰度、空间的位置情况,匹配结果的平均归一化修正检索秩(A_(r))较高。因此,提出融合特征的红外与可见光异源图像匹配算法。分析待匹配图像的中矩形区域灰度差值特征,绘制Haar特征密度分布图,并基于此实现图像滤波。通过离散变换(K-L)提取滤波后图像灰度特征、像素密度特征和纹理特征,完成多图像特征的压缩与融合。基于融合特征,计算待匹配红外图像与可见光图像的格贴近度,得到异源图像匹配结果。实验结果表明:所提方法应用后,异源图像匹配结果的A_(r)平均值仅为0.35,更好地满足了图像匹配要求。

基于融合特征的无人履带车辆道路类型识别方法

无人履带车辆行驶路况复杂,将道路类型作为无人履带车辆悬架控制、自动换挡决策、路径规划等任务的先验信息,有利于提升车辆性能。针对使用单一信号识别道路类型环境适应性差或准确率低的问题,提出一种基于融合特征的道路类型识别方法,将图像的深度特征和悬置质量垂向加速度时域、频域、功率谱密度信号的统计特征相结合,利用机器学习分类算法实现道路类型识别。对单一特征和融合特征进行对比发现:融合特征实现了图像特征和悬置质量垂向加速度特征的互补,提高了道路类型识别的准确率和环境适应能力;融合特征方法与仅使用图像特征的方法实时性相差极小。对多种机器学习分类算法进行对比,试验结果表明:支持向量机和随机森林在准确性和实时性方面都表现优越,总体准确率均可以达到90%以上,识别速度可以达到14帧/s。

基于区域生长和融合特征SVM的涂胶缺陷检测

针对传统的涂胶工艺缺陷检测精度低、效率低的问题,文章提出一种基于区域生长和融合特征支持向量机(support vector machine,SVM)的涂胶缺陷检测算法。首先对图像进行预处理操作;然后通过改进的快速细化算法提取涂胶区域,将去除毛刺后骨架特征作为起始生长种子,为改善分割不完全现象,采用中心像素加权灰度和区域自适应阈值生长准则分割出完整的涂胶区域;最后结合改进边缘梯度特征和区域纹理特征的优点,将改进的梯度方向直方图-多半径局部二值模式(improved histogram of oriented gradient-multi radius block local binary pattern,IHOG-MBLBP)融合特征送入SVM多分类器进行训练,实现对涂胶区域缺陷的精确检测。经过实验验证,所设计的缺陷检测算法能够精确地提取骨架并分割出完整的涂胶区域,对于涂胶缺陷具有较高的检测精度和效率,能够满足工业生产需求。