基于多分类高斯SVM的光纤信号的模式识别方法

为了有效提升光纤信号识别精度,采用了一种基于多分类的高斯支持向量机(SVM)的信号事件类型判别方法,先通过汉宁窗卷积的方法以及95%能量的原则来识别事件发生始末段信息,再从时域、频域以及尺度域等角度出发,对归一化后的多种特征参数的均值与离散性进行分析,并选取合适的主要特征参数,最后采用基于多分类高斯SVM算法对3组不同事件类型进行了分类识别,通过理论分析和实验验证,取得了不同类型光纤事件信号的数据。结果表明,对30组实验数据的事件类型进行模式识别,正确率在96%以上。该方法流程满足了光纤传感的事件信号高精度识别要求,对光纤传感器应用具有较重要的参考价值。

基于改进YOLOv8的百合地杂草分类识别

为了提高农业自动化杂草检测的效率和准确性,提出了一种基于改进YOLOv8(You Only Look Once version 8)的百合地杂草分类识别方法。针对百合地杂草形态多样、颜色特征复杂且区分度低的难题,引入了TransNext聚合注意力模块和DCNv2(Deformable ConvNet V2)注意力机制,优化了YOLOv8-n模型的特征提取和目标识别性能。通过实施数据增强策略,显著地提升了模型的泛化能力和识别准确性。实验结果表明,改进后的模型在自建数据集上的准确率达到90.1%,相比于原始YOLOv8模型的准确率提高了6百分点,充分展现了其在复杂非结构化背景下进行杂草分类的潜力和应用价值。

基于双主干特征融合改进的服装图像分类识别算法

针对复杂背景图像的服装分类与识别问题,提出YOLOv8、YOLOv10、YOLOv11主干的改进方案,通过2个并行的主干网络并结合BiFPN双向加权金字塔,实现特征信息的深度交互与高效融合。提出通过CSL注意力机制将DSConv、GhostConv、空间信息、通道信息与选择特征进行有效整合提高算法对服装特征信息的提取能力。通过deepfasion2数据集验证表明,改进方案YOLOv8Plus的精确度提高6.9%、召回率提高4.44%、平均精度mAP值提高5.86%。使用注意力机制CA、CBAM、CSL与YOLOv8结合并进行对比,CSL、CBAM、CA注意力机制mAP值分别高出基础YOLOv8算法1.75%、0.68%、0.78%。YOLOv8Plus方案相比YOLOv9c算法GLOPS下降74.04%,且mAP值仅降低0.39%。基于YOLOv10的改进方案YOLOv10Plus在精确度、召回率、mAP值上分别提高3.3%、0.45%、1.96%,基于YOLOv11的改进方案YOLOv11Plus在精确度、召回率、mAP值上分别提高2.12%、3.24%、4.47%,并且YOLOv10Plus与YOLOv11Plus的计算量分别是YOLOv9c的23.07%、22.11%,是RTDETR-ResNet101的16.89%、16.19%。结果表明,该研究方案在YOLO系列算法中mAP值具有有效的提高作用,相比于基础模型在服装分类识别应用上具有更优的效果。

针对钢包编号分类识别的数据增强方法的研究

针对钢包文字识别中手涂编号识别不佳问题,提出基于深度学习的分类识别方法对编号进行识别。通过图像变换、添加高斯噪声、Cutout与Gridmask等图像遮挡数据增强方法,提高了训练模型精度与泛化能力。实验表明方法在真实场景的钢包编号识别中具有较高的准确率。

基于RQI的储层分类及流体性质识别研究

储层品质指数(RQI)可用于储层微观孔隙结构分类评价,该指数能反映储层孔隙曲折程度,定量表征储层微观孔隙结构,而孔隙结构是控制储层流体分布及有效渗流能力的重要因素,对储层测井响应特征及产能均有重要影响。应用RQI结合常规测井资料、压汞资料及常规物性数据对WB油田长3储层进行了分类,进一步结合试油资料对储层流体性质进行了识别,取得了较好效果,为储层分类评价及油水层精细识别奠定了基础。

基于语义引导层次化分类的雷达地面目标HRRP识别方法

高分辨距离像(HRRP)反映了目标空间散射结构在雷达视线方向的投影,近年来被认为是地面目标识别的重要途径。现有的HRRP识别方法采用手工特征加传统机器学习分类器,均属于平面分类方法,即采用统一标准不加区别的优选特征并单次决策最终类别。然而该方法在实际应用中面临种类繁杂、数据不平衡、HRRP姿态敏感性等诸多问题,难以获取最佳的应用效果。层次化方法采取分而治之思想,将一个复杂的细粒度识别任务拆解为多个简单的识别子任务。本文采用层次化识别的思路,提出了一种基于语义引导层次化分类的雷达地面目标识别方法。该方法以联合语义和数据构建的树形结构将一个复杂的细粒度识别任务拆解为多个简单的识别子任务,并针对每一个识别子任务匹配一套优选特征集和一个局部分类器。本方法在仿真数据和实测数据上完成了验证。实验结果表明了本文方法处理地面目标识别任务的有效性。

基于CNN的作物分类识别图像获取平台研究进展

基于机器视觉的作物精准分类识别是农业自动化、智能化作业的前提。在作物图像分类识别任务中,卷积神经网络(CNN)是当前应用最广泛的算法之一。作物表型特征及生长环境的复杂性,决定作物图像获取平台的多样性。通过分析2020—2022年国内外基于CNN的作物分类识别研究,图像获取平台可划分为通用平台和自建平台两大类:通用平台硬件产品成熟、部署方便,但要做好设备选型和环境搭建;自建平台分为固定式和移动式,能高效获取试验数据,但硬件集成较为复杂。详细对比分析各类平台的优缺点及适用范围。作物图像获取平台的未来趋势包括:高通量、高效率、自动化的通用图像获取装置,集成多种传感器的多模态数据采集与融合应用,自带运算处理的智能摄像头等,更精细化的图像获取平台将有效支撑作物表型的深入研究。

基于HHT的绝缘子泄漏电流分析及放电状态分类识别

泄漏电流是污秽绝缘子在线监测参数,能动态地反映绝缘子表面的放电状态。文中开展了瓷绝缘子人工污秽放电试验,利用Hilbert-Huang变换分析了不同污闪阶段的泄漏电流固有模态函数分量、Hilbert边际谱与时频熵,从时频域及波形细节提取了15个特征量,使用主成分分析法与最小二乘支持向量机分类器对污秽放电状态进行识别。结果表明:起始放电阶段与闪络阶段的泄漏电流固有模态函数分量较多;泄漏电流的Hilbert边际谱上频率主要分布在0~150 Hz、200~250 Hz范围内;闪络前泄漏电流的时频熵值总是大于闪络后的;当训练样本数为测试样本数5倍及以上时,分类器的综合评判准确率可达99%,准确实现了污秽放电状态的分类识别。文中研究结果可为建立绝缘子污闪预警系统提供依据。

基于FPGA的小目标识别分类系统的设计与实现

为了提高小目标识别和分类的实时性,同时降低识别系统的资源消耗,本文提出了一种简易、高效的现场可编程门阵列(Field Programmable Gate Array,FPGA)小目标识别分类系统。该系统首先通过图像预处理消除图像噪点,并采用并行计算提升系统实时性。然后将处理后的图像与模板进行匹配计算得到识别结果,设计的模板匹配电路具有较小的硬件复杂度和较快的处理速度。实验结果表明,本文所提出的识别系统在680×480图像分辨下,可达137.5帧/s的处理速度,实时性强,同时仅消耗了9个块随机存储器(Block Random Access Memory,BRAM)和2个数字信号处理器(Digital Signal Processor,DSP),硬件资源消耗较少,在处理小目标识别和分类问题上有较好的实用价值。

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。

基于多层感知分类器的皮革图像缺陷识别研究

针对传统皮革图像缺陷识别准确率和识别效率不高的问题,提出一种改进多层感知分类器的皮革图像缺陷识别方法。首先,以多层感知分类器作为基础网络模型,对其结构进行优化,并选择适宜的激活函数、分类器和权值与偏置更新方法;然后,搭建一个基于改进多层感知分类器的皮革图像缺陷识别模型;最后,提出一套皮革缺陷图像数据集构建方案,通过滑窗裁剪、样本标注、图像增广等获得4类皮革缺陷图像样本,并将该数据集输入至搭建缺陷识别模型中进行缺陷识别。试验结果表明,本模型对孔洞缺陷、划痕缺陷、针眼缺陷和无缺陷4种故障样本的平均精确率、召回率、准确率和F1值分别为96.97%、96.52%、94.99%和96.14,且本模型进行缺陷识别所用时长仅为3.56 s。相较于经典卷积神经网络VGG16、残差网络ResNet10和支持向量机SVM,本模型对皮革图像不同样本的故障识别准确率更高,识别时间更短。由此说明,本模型能够提升皮革图像缺陷识别准确率和效率,模型性能具备优越性和有效性。

结合未知类特征生成与分类得分修正的SAR目标开集识别方法

现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定,即认为训练模板库内训练目标类别包含全部待测目标类别,不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题,该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知,生成未知类特征更新网络,进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后,所提方法挑选各已知类边界特征,并计算边界特征到各自类原型的距离(极大距离),通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上,计算了各距离在对应已知类极大距离分布上的概率,并修正闭集分类得分,实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明,所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性,可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。

基于人工智能的图像识别与分类技术分析

阐述深度学习原理以及关键图像处理步骤,探讨图像预处理、特征提取、分类器设计、分类决策与后处理等关键技术,通过一系列实验设计和结果分析,剖析不同技术在图像处理中的性能表现。

基于正则化边界Fisher分析和稀疏表示分类的人脸识别方法

边界Fisher分析(MFA)应用于人脸识别时会遇到小样本问题,如果用主成分分析进行降维来处理该问题,则会丢失一些对分类有益的分量;如果把MFA的目标函数用最大间距准则代替,则较难得到最佳参数。提出了一种正则化的MFA方法,该方法用一个较小的数乘上单位阵构造正则项,然后加到MFA的类内散度矩阵中,使得所得矩阵是可逆的,并且不会丢失对分类有益的分量,也容易确定其中的参数。因为一个样本通常能被少数几个距离比较近的同类样本很好地线性表达,在正则化MFA降维之后结合使用稀疏表示分类算法进一步提高识别率。在FERET和AR数据库上的实验表明,对比一些经典的降维方法,使用该方法能显著提高识别率。

基于机器学习的激光通信设备状态分类和识别方法

物联网中,激光通信设备的状态识别对于数据传输与调度的准确性至关重要。当前,设备状态主要依赖DCS设备中的控制器和传感器,通过设定单一阈值来判断。但随着设备复杂性的增加,这种方法的准确性受到影响。为此,研究了一种基于机器学习的激光通信设备状态分类与识别方法。采用时间序列滑动窗口模式,划分激光通信设备状态特征向量;以具有告警作用的特征属性,定义激光通信设备异常状态等级;基于机器学习融合告警特征,构建激光通信设备状态识别模型。实验结果表明:以不同类型的激光通信设备作为测试对象,分别在不同场景中设置其故障状态,所研究方法可以实现各个场景内测试设备的状态识别,具有应用价值。

基于Fisherface和组合KNN分类器的人脸识别算法

基于Fisherface和组合K近邻(KNN)分类方法的人脸识别算法首先采用Fisherface进行特征提取,构成特征空间。然后,利用组合KNN分类器对提取的特征进行识别。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。

基于Fisher分类算法的水稻种子品种识别

得到水稻种子品种识别的方法,以水稻种子为研究对象,探索品种识别的几何分类器的设计,并利用设计的分类器进行分类决策。试验得出,Fisher线性判别法对种子检测平均识别率金优桂99为65%,粤占5号66.25%,060905号62.5%,优166为65%,淦鑫688为67.5%。

教师课堂管理行为多模态解码:行为特征、分类识别与时序发展

教师课堂管理行为的智能评估与精准诊断是数智时代教师素养提升和教育实践变革的关键抓手。研究采用多模态数据融合分析法,深度解码了教师课堂管理行为的模式及其特征。为精确捕获和量化教师课堂管理表现,构建了一个四维分析模型,涵盖了9项一级指标和24项二级指标,通过加权融合多模态数据,实现了对教师课堂管理行为的定量评价。研究结果表明:教师课堂管理行为可归纳为教师中心型、常规稳定型及灵活适应型。教师课堂管理行为特征可总结为自我管理一致性、学生管理弹性、内容聚焦性与环境管理恒常性四个维度。时序分析揭示了教师在教学进程中管理行为的动态演变,从初始的引导学生到赋权学生,连续的策略优化映射出教师专业能力的逐渐展现和对课堂生态的灵活适应。研究深化了对教师课堂管理行为的认识与理解,为未来教师课堂管理行为的评估与优化提供了一种新的分析框架和实证基础。

融合RoBERTa-GCN-Attention的隐喻识别与情感分类模型

在隐喻识别与隐喻情感分类任务的联合研究中,现有多任务学习模型存在对隐喻语料中的上下文语义信息和句法结构信息提取不够准确,并且缺乏对粗细两种粒度信息同时捕捉的问题.针对第1个问题,首先改进了传统的RoBERTa模型,在原有的自注意力机制中引入上下文信息,以此提取上下文中重要的隐喻语义特征;其次在句法依存树上使用图卷积网络提取隐喻句中的句法结构信息.针对第2个问题,使用双层注意力机制,分别聚焦于单词和句子层面中对隐喻识别和情感分类有贡献的特征信息.在两类任务6个数据集上的对比实验结果表明,该模型相比基线模型性能均有提升.

基于多阶段分类的科研项目申请书结构功能识别

科研项目申请书蕴含丰富的科学知识,被广泛用作科技情报分析的基础数据,其中重复检测、分析挖掘等智能处理工作需要在明晰申请书结构功能的前提下展开。因此,构建一种基于多阶段分类的科研项目申请书结构功能识别模型。首先,对申请书进行预处理,识别申请书的正文内容及其包含的多模态要素,并将文本段落规范化;之后,基于BiLSTM-Attention模型,依次区分申请书中的章节标题与正文文本,基于标题识别正文文本的一级功能,进而识别申请书的细粒度结构功能。实验结果显示,所提方法的准确率与召回率分别达到93.7%和93.1%,该方法能较好支撑科研项目申请书的结构化解析,也能为其他类型学术文本的结构功能识别提供参考。