导读:本文包含了多类识别论文开题报告文献综述及选题提纲参考文献，主要关键词:脑电信号,运动想象,识别,算法
多类识别论文文献综述
卢扩锋,谢云,甘达云[1]（2019）在《多类运动想象脑电信号的识别》一文中研究指出脑电信息作为一种脑神经细胞群电生理活动在大脑皮质表面的总体反映,其存在于生命的始终。而对于脑电信号的识别,可以有效预测将要发生的运动行为,并且由于其携带大量的生理和心理信息,所以在科学研究中具有重要的意义。鉴于此,文章重点就多类运动想象脑电信号的识别进行研究分析,以供参考和借鉴。(本文来源于《数字技术与应用》期刊2019年09期）
李芸,朱树先,祝勇俊[2]（2019）在《基于RBF神经网络的多类混迭人脸识别》一文中研究指出在模式识别领域中,RBF神经网络以运算速度快、稳定性好、识别率高等诸多优点获得了广泛的应用,取得了良好的识别效果。与以往应用RBF神经网络进行人脸识别的方式不同,笔者采用了一种基于多类混迭条件下的样本训练及识别模式,将本属于不同类别的样本混成一个大类,每一大类包含的原单一类别数目也不相同。按照实验样本所属的大类进行训练与识别,并与常用的单类识别效果进行了比较,验证了所用方法的有效性和合理性。(本文来源于《苏州科技大学学报(工程技术版)》期刊2019年03期）
赵凯[3]（2019）在《多类运动想象脑电信号识别及其在BCI中的应用研究》一文中研究指出随着科技发展和时代进步,脑-机接口技术正获得越来越多的关注。基于运动想象的脑-机接口系统通过解析运动想象脑电信号,可将大脑发出的运动意图作为控制指令直接控制外部设备,从而使运动功能缺失的人群具备行动能力。作为脑-机接口系统的关键环节,多类运动想象脑电信号的准确解析具有重要的意义。为实现对不同肢体的运动控制,并进一步的实现对单关节不同运动类型的控制,在传统四分类运动想象的基础上设计了肩关节叁类运动想象实验范式。针对肩关节叁类运动想象,提出了基于AF-CSP和孪生支持向量机的脑电信号识别方法。为扩大运动想象的控制范围,克服脑电信号的维度灾难,提出了基于黎曼流形的适用于不同肢体多类运动及单关节的SJ-GDA降维方法及决策树分类框架。主要研究内容如下:(1)运动想象实验范式研究。根据当前研究内容多基于数据集2和数据集3的不同肢体运动想象展开,本文设计了右肩关节前屈、后伸和外展叁类运动想象实验范式。实验采集七名被试者脑电信号作为数据集1,采用共平均参考对原始脑电信号进行空间滤波,根据脑电信号的频谱特性分析与运动想象相关的频带范围。(2)脑电信号特征提取方法研究。(1)针对肩关节叁类运动想象,提出基于AF-CSP的肩部叁类运动想象特征提取方法。采用本征模态函数分析脑电信号中所包含的幅频域信息,筛选与运动想象相关的幅频域信息取代时域信号输入共空间模式,提高共空间模式特征提取能力。(2)针对脑电信号维度灾难问题,提出基于黎曼流形的数据降维方法SJ-GDA。运用半监督联合互信息对高维特征向量排序,采用广义判别分析对截取的高维特征向量降维,最后联合构造特征向量。通过数据集对比分析了SJ-GDA、半监督联合互信息和广义判别分析所呈现的特征分布趋势,验证了方法的有效性。(3)运动想象分类研究。(1)提出基于第二代非支配排序进化算法的孪生支持向量机解决肩关节叁分类问题。对比第二代非支配排序进化算法优化孪生支持向量机、网格搜索优化孪生支持向量机、最小二乘支持向量机、粒子群优化支持向量机、BP神经网络及极限学习机,证明本文所提方法的优越性。(2)提出可与多种分类器结合的决策树分类框架解决多分类问题。对比分析决策树分类框架对分类器分类性能的提高程度。将决策树分类框架与K最近邻方法结合,在叁种数据集上均取得较高的分类结果。此外,由于决策树分类框架可与不同分类器相结合,因此具有较大的推广意义。(本文来源于《东北电力大学》期刊2019-05-01）
朱树先,李芸,祝勇俊,吴征天[4]（2019）在《RBF支持向量机用于多类混迭的人脸识别研究》一文中研究指出RBF支持向量机以其稳定性和识别率高的优势被广泛地应用于模式识别和故障检测。与其他文献不同,RBF支持向量机被应用于多类混迭的人脸识别。一方面考察经过多类混迭后,以RBF为核函数的支持向量机的性能有无退化,另一方面使其更具实用价值。经过实验验证,与RBF支持向量机用于单一类别相比,多类混迭的样本在性能上的确稍有退化,但是仍旧保持了很高的识别率,验证了该方法的有效性和实用性。(本文来源于《控制工程》期刊2019年04期）
于秀萍,吕淑平,陈志韬[5]（2019）在《基于YOLO算法的多类目标识别》一文中研究指出针对传统目标识别方法需要人工设计特征工程,费时费力,泛化性能差的缺点,以YOLO算法和tiny-yolo模型为基础,在tiny-yolo的基础上增加了3×3卷积层和NIN(Network in Net Work)卷积层,设计了一个包含15个卷积层的神经网络模型m-yolo。在voc2007和voc2012数据集上的实验结果表明,m-yolo模型提高了识别的准确性和定位的精确性,并且保证了在识别速度上与tiny-yolo基本保持一致,平均识别时间仅上升了0. 6 ms。(本文来源于《实验室研究与探索》期刊2019年03期）
薛金林,闫嘉,范博文[6]（2018）在《多类农田障碍物卷积神经网络分类识别方法》一文中研究指出针对农田作业场景中可能会遭遇更大生命财产损失的人和其他农业车辆等动态障碍物,提出了一种基于卷积神经网络的农业自主车辆多种类障碍物分类识别方法。搭建了包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层的卷积神经网络识别模型;建立了人和农业车辆的障碍物数据库,其中包括训练集和检测集;利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作,再次经过3×3卷积核的卷积操作和2×2池化操作后,通过自动学习获取并确定网络模型参数,得到最佳网络模型。试验结果表明,障碍物的检测准确率可达94. 2%,实现了较好的识别效果。(本文来源于《农业机械学报》期刊2018年S1期）
栗科峰,卢金燕,黄明明,黄全振[7]（2018）在《基于子图分割与多类支持向量机的人脸识别方法》一文中研究指出由于姿态、光照、表情、遮挡等变化引起的面部特征变化仅出现在整个图像的局部区域中,使用整体图像进行特征提取和识别的传统人脸识别方法效果不佳。为解决上述问题,提出了一种融合子图分割和多类支持向量机的人脸识别方法。首先,将人脸图像分割成多个不重迭的子图像;然后采用广义二维Fisher线性判别分析对每个子图像和整体图像进行局部和全局特征提取,并使用SVM做为图像分类器;最后,通过融合各个SVM分类器的决策给出人脸识别结果。在ORL人脸数据库上对所提出的SD-MSVM方法进行了灵敏度、特异度和K折交叉验证测试,实验结果表明,新的SD-MSVM方法各项指标均优于传统的全局特征提取方法。(本文来源于《科技通报》期刊2018年08期）
彭红星,黄博,邵园园,李泽森,张朝武[8]（2018）在《自然环境下多类水果采摘目标识别的通用改进SSD模型》一文中研究指出为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。(本文来源于《农业工程学报》期刊2018年16期）
韦娟,岳凤丽,仇鹏,宁方立[9]（2018）在《基于EEMD的异常声音多类识别算法》一文中研究指出为了提高异常声音信号的识别率,提出一种将总体平均经验模态分解和梅尔频率倒谱系数、短时能量及能量比相结合的特征提取改进算法,并对决策导向无环图支持向量机多类识别算法进行改进.首先对声音信号进行分帧,然后对每帧信号进行总体平均经验模态分解得到固有模态函数,最后对每层固有模态函数提取梅尔频率倒谱系数、短时能量和能量比特征.根据提取的特征,采用改进的决策导向无环图支持向量机算法对五种异常声音信号进行识别.仿真结果表明:改进的特征提取算法和决策导向无环图支持向量机多类识别算法相比改进前识的别率分别提高了2%和2.5%.(本文来源于《华中科技大学学报(自然科学版)》期刊2018年07期）
岳凤丽[10]（2018）在《基于EEMD的异常声音多类识别算法研究》一文中研究指出为了维持社会的公共安全和国家稳定,我们十分有必要对公共场所异常声音的识别方法进行研究。目前常用处理语音信号的识别方法来对公共场所发生的异常声音进行识别,这些方法用于异常声音识别时会导致异常声音的识别率比较低。为了解决异常声音识别率低的问题,本文从信号的特征提取、识别和支持向量机(SVM)的参数优化叁方面展开研究,并分别提出了相应的改进算法。为了提高异常声音的识别率,本文首先提出了一种基于总体平均经验模态分解(EEMD)的异常声音特征提取改进算法。该算法根据异常声音信号非线性、非平稳性的特点,先对异常声音信号进行EEMD,得到若干层固有模态函数(IMF),然后计算每层IMF的梅尔频率倒谱系数(MFCC)、短时能量以及该层能量与原信号能量的比值,并计算每层IMF的MFCC的平均值,最后将提取的MFCC、短时能量和能量比合并作为异常声音的特征向量。仿真结果表明,与现有的特征提取算法相比,改进的特征提取算法可以提高异常声音信号的识别率。针对传统的决策导向无环图支持向量机(DDAGSVM)算法误差积累较大的问题,本文对DDAGSVM算法进行了改进。在构造决策导向无环图之前,先统计出每个SVM的识别率,然后每次选择识别率最高的SVM作为决策导向无环图的根结点,减小分类过程中的误差积累,从而达到提高识别率的目的。仿真结果表明,与一对一支持向量机分类算法和传统的DDAGSVM算法相比,改进的DDAGSVM算法能够有效提高异常声音信号的识别率。由于SVM的分类性能受核参数和惩罚因子的影响比较大,因此在对异常声音信号识别前先对SVM的参数进行优化。为了解决SVM的参数优化问题,本文结合粒子群优化(PSO)算法和粒子滤波(PF)算法的特点,提出一种基于PSO-PF算法的SVM参数优化方法。在该方法中,PSO算法对PF算法中的采样过程进行优化,通过不断更新粒子的速度和位置,使粒子集向后验概率密度较高的区域移动。为了调节参数寻优过程中的全局与局部搜索能力,本文在所提出的参数优化方法中设置了线性变化权重,使算法在优化过程中能够根据需要灵活的调整算法的全局与局部搜索能力。仿真结果表明,与PSO算法和遗传算法相比,本文提出的基于PSO-PF算法的SVM参数优化方法可以提高SVM的分类性能,从而提高异常声音的识别率。(本文来源于《西安电子科技大学》期刊2018-04-01）
多类识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在模式识别领域中,RBF神经网络以运算速度快、稳定性好、识别率高等诸多优点获得了广泛的应用,取得了良好的识别效果。与以往应用RBF神经网络进行人脸识别的方式不同,笔者采用了一种基于多类混迭条件下的样本训练及识别模式,将本属于不同类别的样本混成一个大类,每一大类包含的原单一类别数目也不相同。按照实验样本所属的大类进行训练与识别,并与常用的单类识别效果进行了比较,验证了所用方法的有效性和合理性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多类识别论文参考文献
[1].卢扩锋,谢云,甘达云.多类运动想象脑电信号的识别[J].数字技术与应用.2019
[2].李芸,朱树先,祝勇俊.基于RBF神经网络的多类混迭人脸识别[J].苏州科技大学学报(工程技术版).2019
[3].赵凯.多类运动想象脑电信号识别及其在BCI中的应用研究[D].东北电力大学.2019
[4].朱树先,李芸,祝勇俊,吴征天.RBF支持向量机用于多类混迭的人脸识别研究[J].控制工程.2019
[5].于秀萍,吕淑平,陈志韬.基于YOLO算法的多类目标识别[J].实验室研究与探索.2019
[6].薛金林,闫嘉,范博文.多类农田障碍物卷积神经网络分类识别方法[J].农业机械学报.2018
[7].栗科峰,卢金燕,黄明明,黄全振.基于子图分割与多类支持向量机的人脸识别方法[J].科技通报.2018
[8].彭红星,黄博,邵园园,李泽森,张朝武.自然环境下多类水果采摘目标识别的通用改进SSD模型[J].农业工程学报.2018
[9].韦娟,岳凤丽,仇鹏,宁方立.基于EEMD的异常声音多类识别算法[J].华中科技大学学报(自然科学版).2018
[10].岳凤丽.基于EEMD的异常声音多类识别算法研究[D].西安电子科技大学.2018