基于结构化深度聚类网络的人脸表情识别研究

针对如今常用的卷积神经网络对人脸表情图片的特征提取不足、关键区域的特征无法精确提取等问题,文章利用不同表情时人脸关键点的变化,并将深度学习方法与聚类方法相结合运用于人脸表情识别中,提出一种基于结构化深度聚类网络(SDCN)的人脸表情识别算法.该网络由GCN图卷积神经网络、K-最近邻(KNN)图构建网络、编码器网络构成.为更好地捕捉到人脸关键点之间的关系和表情信息,利用GCN网络对人脸表情图像中的关键点进行特征提取.该网络输入数据为图结构数据,将人脸关键点数据输入对应的KNN图构建网络以得到人脸关键点的图结构数据.该网络在Fer2013、CK+与JAFFE三个人脸表情数据库上进行实验,获得了较为不错的识别率,在一定程度上证实了算法的有效性.

基于电流滞环的永磁同步电机FOC研究与仿真

针对永磁同步电机(PMSM)的磁场定向矢量控制技术(FOC),根据电机的电磁转矩与定子电流的关系,讨论了利用三相定子电流滞环实现FOC的原理,分析了该控制系统的框图,并利用MATLAB工具箱建立控制系统仿真程序,各模块设置相应的参数,仿真结果表明该控制方法具有启动转矩大,响应速度快,平稳性好的良好效果.

基于PP-YOLO深度学习模型的赣南脐橙果实识别方法

果实检测在研究脐橙采摘机械化发展中有着重要作用,然而不良天气条件将对目标果实的检测和识别产生不利影响。针对雾天和雨天情形下脐橙果实图像模糊、噪声复杂,检测速度较慢和准确率较低的问题,通过采用单阶段目标检测网络PP-YOLO来研究不良天气条件下赣南脐橙果实的识别。通过主干网络ResNet提取特征并结合FPN(特征金字塔网络)进行特征融合实现多尺度检测,且基本实现端到端检测。实验结果表明,所提出的PP-YOLO检测模型可实现雾天和雨天情况下赣南脐橙检测任务,mAP分别为89.06%和91.01%,识别效率分别可达到75.30 fps和75.44 fps,可以尝试在脐橙采摘机器人的研制中加以应用。

基于多重分形关联和深度CNN的常规雷达目标分类方法

针对传统分类方法中飞机雷达回波信号识别分类精度低、人工定义特征稳定性差的问题,提出基于多重分形关联特征和深度卷积神经网络(convolutional neural network,简称CNN)的雷达目标分类方法.首先,对输入训练数据进行多重分形关联分析,将多重分形关联谱的投影图作为输入特征图;然后,利用深度卷积神经网络对特征进行训练,得到训练模型;最后,使用训练后的模型对目标进行分类.实验结果表明:相对于其他3种方法,该文方法有更强的飞机分类性能.

基于EEMD与多重分形的心电信号特征提取与分类

心电信号的快速分类在心脏病医学诊断领域具有至关重要的作用,为了降低人工识别的成本,提高心电信号分类的准确率。文章以正常搏动、房性早搏、室性早搏、左束支传导阻滞及右束支传导阻滞信号为研究对象,用集合经验模态分解分解心电信号,并结合相关系数来选取本征模态函数进行重构心电信号。从心电信号的非线性动力学角度出发,用多重分形理论进行分析,研究其质量指数曲线、广义分形维数和多重分形谱,提取合适的多重分形特征,用于支持向量机的训练。实验结果表明,用该方法训练测试30次得到的分类准确率平均值为96.09%,单次实验对正常搏动、左束支传导阻滞信号的分类精确率可达97%以上,证明该方法在心电信号分类中的有效性。

基于蚁群优化算法的相控阵天线随机馈相方案的优化

为了降低相控阵天线的峰值副瓣电平,提高相控阵天线的抗干扰性能,以泰勒幅度加权的线阵为例,分析了随机馈相的数学模型,并基于蚁群优化算法提出了针对相控阵天线随机馈相的优化算法,并进行了仿真实验验证。仿真结果表明,采用优化后的随机馈相方案,相控阵天线的峰值副瓣电平相比优化前降低了8 dB以上。此外,所提出的优化算法经过200次左右的迭代即接近于最终的优化结果,具有较好的收敛性能。

基于Haar-like T和LBP特征的人脸识别方法

人脸识别技术是一种可靠的身份识别技术,是当今研究的热点课题之一。该文将Haar-like T和LBP特征相结合的算法进行人脸识别的研究。首先将Haar-like T方法与Haar-like方法进行人脸检测率的对比,再分别用该文算法与CNN、LBP等其他算法相比较。实验结果表明,该算法与基于Haar-Like T特征的人脸识别方法和一些主流方法相比较,增加了改进LBP方法对于图像的处理,使得该方法对光照具有较强的鲁棒性,对光照不敏感,同时对人脸的识别时间更短,在Yale和ORL人脸库中有着较好的识别效果,具备良好的可行性。

基于三维特征图和改进DenseNet的脑电情绪识别方法

情感作为人脑的高级功能,对人的心理健康状态有很大的影响。为了充分考虑脑电信号的空间信息以及时频信息,更好地实现人机交互,论文提出了1种基于三维特征图的改进DenseNet情绪识别模型。通过提取脑电信号θ、α、β和γ 4个频段的微分熵特征,结合脑电通道电极的位置映射关系,构造三维特征图,最后使用改进DenseNet网络进行二次特征提取与分类。为了验证该方法的有效性,在SEED数据集上进行了包含积极、中性、消极3种情绪的分类实验,单被试者实验和所有被试者实验获得的分类准确率分别达98.51%和98.68%。实验结果表明,三维特征图结合特征重用方法能够得到高精度的分类结果,为情绪识别提供了可以尝试的新方向。

基于VFDT特征的空中飞机目标分类方法

飞机机身的非刚性振动、航行姿态的改变以及机上旋转部件的转动等均会引发对其雷达回波的非线性调制,采用多重分形测度可以对飞机回波的此类调制特征进行细致的刻画。文中引入方差分形维轨迹(VFDT)这一种新的多重分形算法对飞机回波进行特性分析和特征提取,基于提出的VFDT特征并结合支持向量机(SVM),对实际录取的多种类型飞机回波进行了目标分类识别实验。实验结果表明,VFDT特征可以较好地对多种不同类型的飞机目标进行分类辨识,并具有较小的计算量。

基于ARMA谐波恢复的飞机目标分类

作为一类复杂目标,飞机的机体振动、姿态变化和旋转部件的转动都会对雷达照射回波施加非线性的调制作用,对回波进行ARMA谐波建模可以对其非线性调制特征进行精细刻画.在介绍常规低分辨飞机目标雷达回波的数学模型和谐波恢复的ARMA建模算法的基础上,对实际录取的多种类型飞机回波进行了ARMA谐波建模分析,并对ARMA谐波模型参数在目标分类中的应用进行探讨.研究结果表明,基于谐波恢复的ARMA建模法能够有效地对飞机目标雷达回波进行建模,且其模型特征能够较好地对各种不同类型实验目标进行分类.

基于PP-YOLO改进算法的脐橙果实实时检测

深度学习已被广泛应用于智能采摘领域,消除不同环境场景对目标识别和检测产生的不利影响,对采摘机器人实现精准高效的工作至关重要。采用基于单阶段目标检测网络改进的PP-YOLO模型对树上成熟脐橙的识别进行研究,通过添加可变形卷积的主干网络ResNet提取特征,结合特征金字塔网络(FPN)进行特征融合,实现多尺度检测,并采用K-means聚类算法得到与目标脐橙适宜的anchor尺寸,减少训练时间及预测框置信度误差。实验结果表明:改进的PP-YOLO检测模型可完成晴天逆光、晴天顺光和阴天环境下的脐橙检测任务,检测准确率分别为90.81%、92.46%和94.31%,检测速度可达到72.30 fps、73.71 fps和74.90 fps,可以尝试在脐橙采摘机器人的研制中加以应用。

飞机回波FRFT域的多重分形特征与目标分类

低分辨雷达体制的限制和探测过程中背景杂波的影响,使得低分辨雷达飞机目标的分类识别较为困难。本文提出一种分数域多重分形方法,通过引入分数阶Fourier变换(FRFT)寻找飞机目标回波的最优FRFT域,并在最优分数阶FRFT域提取目标回波数据的多重分形特征,结合支持向量机进行飞机目标的分类识别。实验表明,FRFT可以增强飞机目标回波的多重分形特性;从最优FRFT域提取的多重分形特征具有较好的分类识别效果,FRFT域多重分形方法的飞机目标分类识别率要高于时域多重分形方法的飞机目标分类识别率;即使在低信噪比条件下,FRFT域多重分形方法仍可实现低分辨雷达飞机目标的粗分类。

基于微多普勒特征和深度学习的人体动作识别

针对基于光学和红外视频数据的人体动作识别受环境影响大及传统机器学习分类方法特征提取复杂的问题,提出基于雷达微多普勒频谱图和深度学习模型的人体动作分类识别方法.首先,搭建77GHz毫米波雷达数据采集系统.其次,开展人体行为回波数据预处理,有效提取微多普勒信息,得到人体行为二维距离多普勒图像数据集.最后,以距离多普勒谱图作为网络的输入样本,设计3层卷积与池化操作构建特征空间完成4种不同人体动作识别的仿真实验.实验结果表明,与现有的人体动作识别方法相比,将77GHz调频连续波雷达回波进行距离多普勒处理与CNN结合能够实现对日常人体动作的有效识别,识别准确率可达98.91%,优于传统方法.

表面肌电信号的多重分形特性分析与手势识别

为改善表面肌电信号手势识别的抗噪性和分类识别率,提出了一种基于多重分形特征的表面肌电信号手势识别方法.该方法首先借助多重分形测度分析手段,研究了不同手势动作下表面肌电信号的多重分形特性,根据不同手势表面肌电信号的多重分形谱之间的差异,提出了多重分形特征的提取算法,并利用多重分形特征结合支持向量机进行了手势识别.实验研究表明,上臂肌肉的表面肌电信号具有显著的多重分形特性,最大、最小概率子集分形维数差等多重分形特征可以作为不同手势动作的分类识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的分类识别方法.