HINet:一种面向冰雹识别的多源数据融合网络

冰雹天气具有突发性和局地性强,以及破坏力大的特点。尽管地面自动站、雷达和卫星等获取的观测资料在冰雹识别中发挥了一定的作用,但单一观测资料的局限性导致冰雹识别虚警率较高和准确率较低。因此,亟需构建基于多源高分辨率观测的冰雹识别技术。本文提出了一种面向冰雹识别的多源数据融合网络,该深度学习方法利用时空特征提取模块、多源数据特征融合模块和UCUNet(U Connection Unet,U形连接卷积神经网络)识别模块,充分挖掘冰雹发生时FY4B(风云四号B星)、天气雷达和数值模式等多源数据的时空特征,并创新地加入地形高度、坡度、坡向等作为冰雹识别因子。为评估所提网络方法的性能,本文进行了系列实验,并将实验结果与真实标签数据进行对比。结果显示,HINet(Hail Identification Net,冰雹识别网络)能够充分利用多源数据,在复杂地形条件下有效改善冰雹识别结果,在冰雹研究和识别中具有较高的准确性和实用性。

基于卷积长短时网络的调制识别技术研究

随着深度学习的发展,更多的研究者将调制方式识别与深度学习网络结合,充分利用了神经网络无需先验信息的特点,促进了自动调制识别(Automatic Modulation Recognition, AMR)技术的发展。但是AMR技术存在低信噪比下泛化能力有限,分类精度不高的问题,提出了一种由卷积神经网络(Convolutional Neural Network, CNN),长短时记忆(Long Short-Term Memory, LSTM)网络和深度神经网络组成的模型-卷积长短时深度神经网络(Convolutional Long Short-Term Deep Neural Networks, CLDNN)。将预处理的数据集通过CNN对信号进行空间特征提取,再通过LSTM模块对数据集进行时间特征提取,最后通过全连接层对数据集分类。实验结果表明,CLDNN模型相对于主流使用的残差网络(Residual Network, ResNet)模型、CNN模型等在性能上有显著的提高,在信噪比为30 dB时保持93.09%的高效识别,在信噪比为-10 dB时,实现54.32%的有效识别。

自适应分段时域质心特征在鱼类识别中的应用

提出了一种基于时域质心的时域自适应分段方法。该方法以时域质心为依据对信号的时域进行划分,在划分的各个子段内计算时域质心,并将其作为下一层划分的分割点。各个子段内的时域质心反映了信号的能量分布特性,可作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取自适应分段时域质心特征,并使用BP神经网络分类器成功进行了分类。结果表明:利用自适应分段时域质心特征可对不同形状的鱼类进行识别,且具有较高的识别率。

Walsh变换对鱼类特征识别的研究

鱼种的快速识别是渔业资源评估乃至海洋生态系统监测重要组成部分。声学方法是主流识别方法中的重要组成部分,目前常用的声学识别方法主要基于鱼类的回波信号。传统的回波包络或能量特征很难全面的表述鱼体回波信号信息,因此鱼类识别效果一般。本文提出一种基于Walsh变换的鱼类回波识别方法。试验获取鲫鱼、嘎鱼、武昌鱼的回波信号,处理过程中分别提取三种鱼类回波包络信号的Walsh谱作为识别特征量,并利用BP神经网络分类器对其进行了分类。结果表明利用回波的Walsh谱可以成功识别不同形状的鱼类,其中对武昌鱼的识别正确率达90%以上。

基于近红外光谱与KPCA-SVM鉴别淡水鱼肉

为实现淡水鱼品种的快速鉴别,采用近红外光谱分析技术建立7种淡水鱼鲜肉的快速鉴别模型。试验采集了鲢、草鱼、乌鳢、鲫、鲤、青鱼、鳙7种淡水鱼共772个鲜鱼肉样品的近红外光谱数据,分别考察标准正态变换(standard normalized variate,SNV)、多元散射校正(multiplicative signal correction,MSC)的预处理方法及核主成分分析(kernel principal component analysis,KPCA)和主成分分析(principal component analysis,PCA)的特征提取方法对支持向量机(support vector machine,SVM)判别模型的影响。结果显示,经SNV预处理和KPCA提取特征变量后,对未知样品的整体正确判别率达到92.68%。因此,采用近红外光谱技术结合化学计量学方法所建SVM模型可以实现淡水鱼品种的快速鉴别。

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。

基于机器视觉技术的鱼类识别研究进展

随着机器视觉技术的快速发展,物体识别技术逐渐成为机器视觉技术研究的核心内容。而鱼类识别技术可以辅助海洋特定鱼类物种的分布调查统计、海洋生态系统监测以及水族馆自动识别出鱼类种类信息等。通过比较基于特征值、相关系数、分级分类、支持向量机、神经网络等机器视觉技术的鱼类识别方法,介绍了有关鱼类识别技术的研究背景应用、软硬件系统环境搭建、鱼类特征提取以及基于机器视觉鱼类识别技术存在的问题与展望。

远距离人体步态识别算法的研究

步态识别是一种新的生物特征识别技术，它旨在根据人们走路的姿势进行身份识别本文就远距离人体识别算法以及步态识别所涉及到的运动分割．特征提取，模式识别进行了研究，给出了实验图像。特别对基于模型的步态特征识别和基于人体行走的步态序列特征进行识别两种方法进行了比较和分析。

时域模型对视频行人重识别性能影响的研究

行人重识别是计算机视觉领域一个重要的研究方向。近年来,随着视频监控需求的日益增长,基于视频序列的行人重识别研究受到了广泛的关注。典型的视频序列行人重识别系统由三部分构成:图片特征提取器(例如卷积神经网络)、提取时域信息的时域模型、损失函数。在固定特征提取器和损失函数的前提下,研究不同时域模型对视频行人重识别算法性能的影响,包括时域池化、时域注意力、循环神经网络。在Mars数据集上的实验结果表明:与基于图像的行人重识别基准算法相比,采用时域池化模型、时间注意力模型可以有效改善识别精度,但采用循环神经网络后识别效果比基准算法有所下降。

远距离人体步态识别算法

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。该文就远距离人体识别算法及步态识别所涉及的运动分割、特征提取、模式识别进行了研究,给出了实验图像,并比较和分析了基于模型的步态特征识别和基于人体行走的步态序列特征识别这2种方法。

一种结合阴影信息的建筑物层数识别方法

建筑物层数获取可为城市安全和灾害隐患提供数据支撑和决策服务。目前,建筑物层数往往是基于人工调研和统计为主;基于遥感影像的建筑物高度自动反演,也存在算法效率低、提取不完整、自动化程度偏低等问题。为解决这些问题,实现快速和大范围获取建筑物层数,基于GF-7卫星影像,设计、实现了一种楼层数识别的算法,在主成分分析等预处理的基础上,采用渔网法阴影线自动提取算法,并利用阴影形成的几何关系计算楼高并转换为楼层数,最终为消除阴影长度测量误差的影响,采用支持向量机回归对算法提取结果进行误差改正。以北京市朝阳区为研究区,进行模型的训练与测试;以河南省郑州市为验证区的实验结果表明,建筑物层数总体识别精度为90.21%,6~50层的建筑物层数识别误差在3层以内。研究可为基于卫星数据快速和大范围自动获取建筑物层数提供全新的技术支撑和应用服务。

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。