机器人手术网络遥控系统中的语音识别

在广泛参考了国内外关于语音识别技术研究及其应用的优秀论文和著作后，简单介绍了语音识别技术及其算法。在熟悉了微软的语音开发工具包的基础上，汲取其中和本项目相关的部分，具体描述了完成机器人手术网络遥控系统中的语音识别部分的方法和实现的步骤。利用开发工具Microsoft VC 6．0和Microsoft Speech API 5．1，通过一个具体实例对机器人手术网络遥控系统中的语音识别部分作了较详细的论述。     

基于仿射变换的飞机图像的识别

 先基于细胞神经网络提取飞机图像轮廓,再用基于仿射变换方法对多种飞机的轮廓图像做不变特征的提取,把多种飞机的不变特征放在数据库中。进行飞机类型识别时先计算实时图像中飞机(目标) 的不变特征,然后与数据库中的每个不变特征做相关运算,即可识别飞机的型号。     

旋转机械状态参数图形识别的免疫-模糊形态学方法

以旋转机械振动多维图形为对象,研究了直接提取和挖掘图形特征信息的模糊形态学方法,提出了基于模糊数学形态学及免疫智能的旋转机械振动参数图形识别方法.利用模糊形态滤波方法实现图形滤波,研究了模糊形态边缘检测算子,并结合旋转机械振动参数图形进行形态学梯度的边缘纹理特征提取,最后利用人工免疫算法对图形特征进行诊断识别.在600MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及汽流激振故障的试验,诊断结果表明所提出的方法可以获得较高的诊断精度.      

一种智能的惯导陀螺漂移误差消除算法

给出了一套智能的消除惯导陀螺漂移误差算法,即改进的BP(Back Propagation)神经网络模态识别算法。可根据即时的飞行区域、气压计和雷达高度表测量的地形高程数据等,在机载数字地图上实时地进行在线模态识别,找出最合适的匹配区,并对惯性导航系统指示的位置信息进行修正。该算法具有识别精度高、识别速度快和识别准确率高等特点,可用于各类有人驾驶飞行器和无人自主控制的飞行器的惯导误差修正。     

一种基于改进核主成分分析的SAR图像识别方法研究

针对传统核主成分分析方法识别SAR图像时,存在图像像素之间关联性差、对目标姿态角依赖性强等局限性,研究了一种基于改进核主成分分析的SAR图像识别方法。其研究思想是,结合SAR图像的特点提出了一种基于局部特征核主成分分析的特征提取方法,并设计了一种基于灰关联分析的双分类器对提取特征进行分类。NSTAR仿真实验表明：该方法不仅可以增强图像像素之间的相关性,而且对目标姿态角不存在依赖性,仿真结果验证了方法的有效性和可行性。     

模糊数学在飞行试验数据处理中的应用

介绍了模糊数学在数据处理中的两类典型应用，以模糊集合思想为基础，利用布尔代数特有的性质，经广义相似计算，建立了发动机飞行任务剖面样本的隶属函数模糊矩阵；并用平方法检验该矩阵是否满足模糊等价条件，在满足时选取不同阈值进行动态聚类，在此基础上确定发动机典型任务剖面，通过对飞行试验数据预处理以及外场调查，共取得１１８个架次过载系数最大值样本，最得各种模式概率密度函数和分布函数，并应用模糊数学模式识别方法     

信息融合图像识别算法及其在三维飞机图像识别中的应用研究

将D S证据推理与不变矩理论相结合,提出了信息融合图像识别算法,并应用于三维飞机图像的识别。构造了基本置信指派函数,建立了分类规则,针对Dempster组合规则只适用于高置信度、低冲突性的情况,应用可解决证据冲突的加权分配冲突法及吸收法,完成了三维飞机图像识别的仿真,比较了3种组合规则的识别效果,结果表明吸收法识别率最高。     

基于S变换的时频特征提取与目标识别

目标的时间-频率联合分布能够很好地反映目标物理结构特征,可以作为雷达目标识别的一个有效手段。针对现有时频分析方法存在的识别率低和抗噪性能差等问题,提出一种基于S变换的空间目标回波信号电磁特征提取与识别方法。首先对目标的雷达回波进行时频分析,得出在较大方位角变化范围内和不同信噪比情况下,目标S变换的时频分布具有相对不变性的结论;然后基于这种稳定的时频分布特征,采用最小贴近度的方法进行分类识别。针对不同目标模型的仿真结果表明,该方法的识别率高于其他时频分析方法并且具有很好的鲁棒性。     

压气机喘振模式识别与在线检测

为发展一种运算简单、性能可靠的喘振在线检测系统,分析了压气机出口总压信号的时域和频域特性.当压气机逐渐进入喘振时,时域内表现为压力脉动强度的增大,频域内表现为信号能量在低频成分集中.选用标准差σp表征压力脉动强度;平均频率-f表征信号频域特性.考察了由σp和-f构成的模式平面,提出了一种综合时域和频域特性的喘振检测判据,检测门限可根据置信度要求进行设置,给出了在线检测系统的流程图.采用压气机试验台实测数据验证,该方法可有效地进行喘振在线检测.     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。