基于循环谱和ELM-LRF的调制识别算法

针对现有的基于深度学习的调制识别算法训练速度慢、识别率不高和识别调制类型少的问题,提出了一种基于循环谱和局部感受野超限学习机(ELM-LRF)的调制识别算法。首先,提取调制信号的循环谱图并对其进行归一化预处理,然后将处理后的循环谱分成训练集和测试集,我们用训练集训练ELM-LRF,最后用测试集对网络进行测试。对11种数字调制和模拟调制信号进行分类识别,实验结果表明,在信噪比大于0 dB时,本文算法的总体识别率超过了95%,同时相比于基于传统深度学习的调制识别算法,训练时间大大减少,验证了ELM-LRF是一种高效快速深度学习方法,具有较大的研究价值。

一种改进的ELM-LRF图像分类方法

针对局部感受野的极限学习机(ELM-LRF)卷积过程中各个特征图的输入权重随机生成稳定性较差的问题,引入了粒子群算法的思想改进传统ELM-LRF算法,构造一个最优参数的图像分类算法IPSO-ELM-LRF。实验结果表明,相比于传统ELM-LRF算法,IPSO-ELM-LRF不仅提高了算法的稳定性,还充分发挥了粒子群的全局优化能力,大大提高了分类精度。

一种用于心电图分类的改进神经网络算法

心血管疾病的死亡率在所有疾病中居于首位,心电图能够反映人体的电信号活动情况,它已成为医生用来诊断心血管疾病的重要依据。随着计算机辅助ECG诊断技术的快速发展,深度学习方法已能够实现ECG信号的特征提取和分类。为了较好地提高ECG信号的分类识别率和处理效率,该文提出了一种新的心电图分类方法。首先,对原始数据进行去噪,提出了基于经验小波变换(EWT)的提升小波阈值去噪方法。然后,重构经过提升小波阈值去噪技术处理过的模态分量。在训练过程中,设计了基于局部感受野的极限学习机(ELM-LRF)和双向长短时记忆网络(BLSTM)结合的神经网络算法,并利用注意力机制优化该算法,提出了LRF-BLSTM-Attention模型。最后,在CCDD和MIT-BIH数据集上对提出算法的性能进行验证,准确率分别达到86.12%和99.87%,证明了该算法在临床心血管疾病智能诊断中的实用性。与其他模型相比,该模型的收敛速度更快,收敛的损失值更小。

空间金字塔与局部感受野相结合的相关熵极限学习机

针对空间金字塔词袋模型中空间特征分布信息利用效率低,各类特征融合不充分的问题,该文提出空间金字塔与局部感受野相结合的相关熵极限学习机(SR-CELM)。在特征提取部分,利用多尺度局部感受野对生成的多层级的字典特征分布图进行卷积,并引入局部位置特征和全局轮廓特征。在特征分类部分,提出一种新的网络以融合各部分特征。同时在传统极限学习机训练方法的基础上利用相关熵准则构建判别性约束,推导出权重更新公式以求解网络的输出权重。为验证SR-CELM的有效性,该文分别在数据库Caltech 101,MSRC和15 Scene上进行实验。实验表明SR-CELM能够充分利用特征中可辨识信息,提高分类正确率。

基于局部域超限学习机的石材识别算法

针对日益加快的石材加工及销售速度与缓慢的人工分选速度之间不协调导致的效率低下的问题,急需提出基于视觉的自动化石材识别算法.所提出的基于局部感受域超限学习机(Local receptive field extreme learning machine,LRF-ELM)的石材纹理识别算法包含图像预处理、ELM特征映射和ELM分类器三个模块.其中图像预处理模块首先要经过平滑滤波和图像增强操作降低噪声干扰,接着再进行白化操作,去除数据之间的相关性.相对于基于传统人工设计特征的方法,所提出算法的ELM特征映射模块通过ELM神经网络可自主学习出更接近高层语义的图像特征,显著提高分类的准确性.实验结果表明提出的算法相对于传统算法不仅具备较高的分类精度同时还具备较高的计算效率.

区域渐近增强与感受野结合的多核近似学习网

为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成。在特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量。在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重。为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率。

基于2-D范围扫描的室内场景识别方法

对于在室内工作的机器人而言,要完成不同环境的自主导航就必须能够对其所处场景进行有效识别。传统的方法是通过视觉或雷达等传感器对所处环境进行匹配以实现场景识别。提出了一种基于2-D范围扫描的室内场景识别的方法。该方法对激光雷达的范围扫描信息进行特征提取,利用所提取的样本训练基于局部感受野的极限学习机,对多种室内场景进行分类识别。在Gazebo搭建的仿真环境中采集虚拟范围扫描数据,对室内场景识别方法进行了研究。利用DR Dataset提供的测距数据对所提出的方法进行了实验验证。实验结果表明:该方法的室内场景识别准确率高于传统方法。基于2-D范围扫描场景识别的研究也为机器人实现自主导航提供理论依据和实验数据。

利用极限学习机的人脸活体检测方法

针对目前人脸活体检测中手工设计特征方法提取特征单一和传统深度学习算法容易产生局部最小值和过拟合等问题,提出基于局部感受野的极限学习机(ELM-LRF)模型的人脸活体检测方法。模型首先随机生成输入权重,然后采用正则化最小二乘法解析计算出输出权重,有效解决了深度学习算法容易产生的局部最小值和过拟合问题,具有优越的泛化性能。在CASIA-FASD,NUAA数据库上分别以ELM-LRF模型与其他先进的人脸活体检测算法进行了实验对比,ELM-LRF算法具有最高的分类性能。

基于多模态的在线序列极限学习机研究

单一模态包含的物体信息有限,导致在物体材质识别分类中表现不佳,而传统多模态融合方法在样本训练过程中需要输入所有数据。提出一种多模态的多尺度局部感受野在线序列极限学习机方法。对物体不同模态样本运用改进的特征提取框架,利用多尺度局部感受野感知样本信息提取特征,并将不同模态特征融合后通过在线序列极限学习机进行训练学习。在线序列极限学习机在训练过程中增量式地输入样本进行训练,当有新数据需要训练时无需对所有数据重新训练。在TUM触觉纹理数据库上进行验证,实验结果表明,多模态融合的分类精度高于单模态的分类精度,且改进的特征提取框架可以显著提升分类性能。

自然场景下的交通标志识别系统

文中提出一种面向自然场景的新型交通标志识别系统。在分割模块,采用带色彩恢复的多尺度视网膜增强算法对图像增强色彩,并用车道线方法和提出的绿色减除分割算法提取感兴趣区域。在检测模块,运用Gist-RGB特征对5种不同形状的标志进行检测。在识别模块,首先根据颜色信息对标志预分类,再使用基于局部感受野的极限学习机识别网络对43类标志进行识别。实验结果证明,该系统对自然背景下的交通标志图像达到良好的识别效果,并且具有一定的鲁棒性。