逻辑神经网络非线性可分性的实现

1985年，Aleksander领导的小组所实现的逻辑神经网络（LNN）成功地应用于脸谱实时识别。由于LNN无需学习算法，硬件可实现实时识别能力，在英国颇受工业界重视。然而，LNN存在一个缺陷就是在大模式划分成小的子模式后会造成LNN非线性能力下降甚至消失。针对上述问题，提出了一种在LNN中实现非线性可分性的方法。     

人体染色体计算机自动分析

本文简要介绍了染色体图像的输入和预处理技术,建立了染色体的特征空间以及特征空间之间的距离,从而实现了最小距离法自动识别人体染色体。对染色体的其他识别方法文中也作了简要的讨论,最后给出了满意的实验结果,在临床中可用于优生诊断。     

基于视觉识别的电解加工多孔表面评定方法研究

针对电解加工多孔表面特点,提出表面形貌评价指标,获取多孔表面图像并对其进行预处理,提取腐蚀率、不均匀度、灰度等特征参数,揭示各特征参数与电解加工多孔表面形貌的相关性,并通过实例证明该方法适用于电解加工多孔表面的测量。     

一种结合深度学习的运动去模糊视觉SLAM方法

针对高动态环境下视觉同步定位与地图构建（Simultaneous Localization And Mapping,SLAM）系统的可靠性受运动模糊的限制,研究了一种基于生成对抗网络(Generative Adversarial Network,GAN)和AKAZE特征点的运动去模糊视觉SLAM方案。首先对因相机快速运动而产生的模糊图像进行AKAZE特征点的提取与检测,并根据特征点分布的丰富程度计算图像块权重,结合灰度图像的方差信息建立特征点与模糊程度之间的量化关系表;之后将达到模糊分数阈值的图像同步输入至改进GAN网络模型,该网络以端对端的形式恢复中心模糊帧的纹理信息,最后将输出的清晰图像重新进行位姿估计参与ORB-SLAM2后端优化过程。在公开数据集TUM上进行测试,对于受模糊影响较严重的数据集,方案可以明显降低相机轨迹估计的整体误差,同时维持较好的鲁棒性。     

基于BDS-GD的低截获概率雷达信号识别

针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片（BDS）与广义维数（GD）相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率（LPI）雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。      

一种多运动模式下自适应阈值零速修正算法

传统基于微机电惯性测量单元（MEMS-IMU）的惯性导航系统（INS）引入零速修正（ZUPT）算法校正器件的累积误差。但由于ZUPT算法零速判定阈值为固定值,只适合单一运动模式,当室内行人运动轨迹包含多种运动模式时,定位精度下降。对此,提出了一种多运动模式下自适应阈值ZUPT算法。分析了室内行人包括静止、走、跑、上楼和下楼5种运动模式零速判定阈值的选取,实现了利用随机森林（RF）算法对5种运动模式的分类识别,并根据识别结果对ZUPT算法零速判定阈值进行自适应调整。为了验证本文算法的可行性和有效性,利用MATLAB软件平台对实测数据进行处理,并与传统定位算法进行了比较。3组实验结果表明,当室内行人运动轨迹包括多种运动模式时,相比传统固定阈值的ZUPT算法,引入自适应调整阈值的ZUPT算法可使定位算法的定位精度提高73.83%。      

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

利用一维像序列时域差分估计目标进动频率

针对弹道目标识别中目标运动特征参数估计问题,提出一种一维距离像（HRRP）序列时域差分目标进动频率估计方法,该方法首先对一维距离像进行归一化处理,利用峰值法对齐相邻一维距离像,然后计算相邻一维距离像之间的差分值,获得相邻一维距离像差分值序列,最后采用快速傅里叶变换（FFT）从该差分值序列中估计目标进动频率。该方法具有以下优点：利用相邻一维距离像差分值序列能够增强目标进动频率成份,降低其他频率成份,更有利于进动频率的估计;只需要对齐相邻2个一维距离像,而避免了对齐一维距离像序列所带来的问题。利用由FEKO软件计算的进动目标宽带一维距离像仿真数据进行了实验,结果表明所提方法比常规的加权累积法更有效,估计精度更高。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。