导读:本文包含了离线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:呼吸声音,运动状态,离线识别算法,特征值提取
离线识别论文文献综述
张瑞,陈友荣,陈浩,刘半藤,周骏华[1]（2019）在《基于呼吸声音的用户运动状态离线识别算法》一文中研究指出针对当前可穿戴设备缺少了针对用户自身运动状态的分析,设计了由声音采集模块、骨传导声音播放模块和STM32处理器等模块所组成的声音采集耳机设备,并提出了一种基于呼吸声音的用户运动状态离线识别算法(OLRA)。该算法通过初始化、分帧、能量检测、小波包去噪、特征参数提取、改进K-means聚类、神经网络建模、识别、本地样本更新等步骤实现慢走、慢跑、快跑和环境声音四种状态的离线识别。实验结果表明:OLRA算法可提高不同用户运动状态的正确识别率,降低了错误接受率。(本文来源于《传感器与微系统》期刊2019年12期）
孙林超,秦会斌,崔佳冬[2]（2019）在《基于Windows的离线关键词语音识别系统设计与实现》一文中研究指出由于传统人机交互大多使用键盘、鼠标等交互方式,速度较慢,因此语音识别开始受到越来越多人的青睐。但语音识别也存在如扩展性太差、可复制性不好造成单个产品价格过高、过于依赖外部条件导致对自身使用有所限制等问题。设计并实现一种基于本地的语音识别系统,通过构建抽象语法树,实现语音控制操作。实验结果表明,该系统的离线识别准确率可达70%以上,可以在局域网内实现语音操作。(本文来源于《软件导刊》期刊2019年09期）
王文超[3]（2019）在《面向大词汇量离线中文手写识别的简约建模方法研究》一文中研究指出由于汉字种类繁多,加之书写风格迥异,离线中文手写识别是一项很困难的任务。离线中文手写识别主要分为两个任务:离线中文手写孤立字识别和离线中文手写文本行识别。当前,深度学习技术已经成为离线中文手写识别的主流技术,但在大词汇量的情况下,仍然存在较多问题。首先,由于汉字种类很多(简体字超过27000类,繁体字超过100000类),导致系统对存储和计算量都有很大的要求。其次,大词汇量的手写识别任务对训练数据量的需求非常大。最后,系统无法识别训练集以外的(OOV:Out-of-Vocabulary)汉字和网络“新字”。针对由大词汇量带来的系统冗余和对存储、计算要求高的问题:我们采用基于Two-steps算法状态绑定得到的简约HMM(PHMM:Parsimonious HMM)来建模汉字间的相似部分。在离线中文手写文本行任务上,与传统HMM算法相比,简约HMM不仅可以使模型更简约,而且可以提升系统识别性能、减小前向解码时间。针对由大词汇量带来的系统对训练数据需求高和“新字”、OOV汉字无法识别的问题:我们提出稠密结构的部件分析网络(DenseRAN:Radical Analysis Network with Densely Connected Architecture)来分析汉字的二维空间结构和部件组成。在离线中文手写孤立字与文本行识别任务上,DenseRAN这种基于部件分析的模型不仅可以大大减小系统类别数,而且可以识别训练集没有见过的汉字。(本文来源于《中国科学技术大学》期刊2019-05-30）
胥玉龙,张永梅,滑瑞敏[4]（2019）在《基于深度学习的离线手写签名真伪识别方法》一文中研究指出针对手写签名样本数据量少、需要较高准确率的特点,设计了一种基于弹性网格的Gabor特征提取结合卷积神经网络的离线手写签名内容识别方法,利用仿射变换扩展数据集,基于弹性网格提取Gabor特征,训练带有BN层和Dropout层的卷积神经网络进行签名内容分类。提出了一种LBP特征提取算法结合深度置信网络的离线手写签名真伪识别方法,分块提取LBP直方图特征,进行特征合并,训练由叁层受限玻尔兹曼机堆迭而成的深度置信网络进行签名真伪识别。实验结果表明,该方法可以有效提高离线手写签名分类和真伪识别的准确率,并减少了过拟合现象的发生。(本文来源于《电脑知识与技术》期刊2019年15期）
宋永超,巨永锋,杜凯,韩宜轩[5]（2019）在《基于色度方向角的离线城市红绿灯识别算法》一文中研究指出车辆自动驾驶已成为智能交通系统发展的必然趋势,红绿灯识别研究扮演着极为重要的角色.针对大多数红绿灯识别算法中没有充分考虑同种颜色不同位置红绿灯存在的颜色差异问题,提出了基于色度方向角的离线红绿灯识别算法.首先手工标定不同场景下的红灯、绿灯色块组成红灯、绿灯集合图,将集合图RGB空间转换为几何均值对数色度空间;然后根据香农熵确定红灯、绿灯各自的色度方向角,得到各自的色度方向图;其次根据红灯、绿灯色度方向图确定出红灯、绿灯分割阈值,建立红绿灯识别分类器;最后根据识别分类器将不同图像序列中的红绿灯识别出来.实验结果表明:该算法在LARA、LISA标准集上均获得很好的识别结果,识别精度高,能满足实际红绿灯识别的实时性要求.(本文来源于《北京交通大学学报》期刊2019年02期）
许业宽,黄鲁[6]（2019）在《基于深度学习的嵌入式离线语音识别系统设计》一文中研究指出基于深度学习库Tensorflow和深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,DS-CNN),实现一个嵌入式离线语音识别系统。利用Tensorflow和DS-CNN对预识别语音进行训练得到声学模型,移植该声学模型至嵌入式处理器中;对采集编码的语音信号经过分帧、加窗等预处理,采用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficent,MFCC)方法进行特征提取,利用声学模型对提取的特征进行分类判别。测试结果表明,基于深度学习的语音识别可以有效地应用在嵌入式平台上,相比于一些传统算法,在识别率和识别时间上有明显的提高。(本文来源于《信息技术与网络安全》期刊2019年04期）
张亚升[7]（2019）在《基于多分辨率特征融合的离线中文签名识别研究》一文中研究指出随着社会的不断发展,身份识别变得越来越引起人们的重视,个人签名作为身份的象征,在身份识别方面已经成为重要的识别工具。因此对签名识别的深入研究有很大的应用价值和实际意义。本文主要研究离线中文签名的特征提取与设计识别方案。主要内容分为叁部分,第一部分是签名图像数据集的建立与图像的预处理工作,首先搜集在校大学生的真实签名和虚假签名来建立数据集,然后对建立的数据集进行归一化、二值化、平滑去噪等预处理步骤来降低外界因素的干扰和签名图像的噪声。第二部分是对签名图像的特征提取过程,首先提取了签名图像的7维几何矩特征,然后通过分析不同分辨率下签名图像的特点提出了基于多分辨率技术的几何矩特征提取方法,提取了叁种不同分辨率下的几何矩特征。其次,提取了包含图像灰度信息的18维灰度直方图特征。最后,根据签名字体的书写风格提取了3维的笔划密度特征。第叁部分是签名图像特征融合和识别。首先对提取的几何矩特征进行串行融合和并行融合实验,并通过朴素贝叶斯分类器进行识别。实验发现,通过本文提出的几何矩提取方法,对不同分辨率下提取的几何矩特征进行串行融合后签名识别率为89.23%,并行融合后识别率可以达到89.6%,比采用原始方法得到的几何矩特征进行识别时识别率分别提高1.19%和1.56%。然后设计了新的签名图像识别方案,即先对不同分辨率下提取的几何矩特征进行串行融合,然后把灰度直方图特征和笔划密度特征与其进行串行组合。对得到的42维特征利用朴素贝叶斯分类器进行分类识别,签名图像的识别率达到了94.87%。最后从签名图像的个数、签名特征的维数和签名识别效率叁个方面将本文提出的识别方案与其他学者的方案相比较,发现本文的识别方案在识别效率上具有一定优势,平均识别一个签名的总耗时仅为0.15秒,并且本文使用较少的签名特征就取得了不错的识别准确率。综合比较可以得出本文提出的签名图像识别方案的识别率以及识别效率是可行的。(本文来源于《湘潭大学》期刊2019-04-08）
王馨悦[8]（2019）在《离线中文手写体识别研究》一文中研究指出随着计算机技术的不断发展,人们更加依赖计算机接收和处理信息,目前仍有许多信息存储在纸质文档中,将纸质文档中的信息转换到计算机中,能够更加方便地存储、管理和编辑信息。离线手写汉字识别技术是指将人工书写在纸上的汉字转换为计算机中可编辑的中文电子文档,它在票据识别、自动阅卷系统、手稿文书录入等领域得到广泛应用。因此对离线手写汉字识别的研究具有重要意义。目前离线手写汉字识别研究较多的有两类:一类是手写汉字单字符识别;另一类是手写汉字文本行识别。它们之间的区别是文本行识别省去了单字符分割的步骤。本文分别对离线手写汉字单字符和文本行识别进行研究。针对离线手写汉字单字符识别问题,本文分别对单模型识别和多模型投票识别方法进行改进。对于单模型识别方法,为了提取更全面的特征,提高识别准确率,本文提出将卷积层、Inception VI以及残差单元块相结合形成新结构的方法,在公开的CASIA-HWDB1.0-1.1数据集中,字符准确率达到了97.07%,相比传统的卷积神经网络识别方法,字符准确率提升了 0.49%。对于多模型投票识别方法,为了提高识别准确率,本文提出多类型网络投票方法,采用VGGNet、GoogLeNet、ResNet叁类常用的网络投票,在公开的CASIA-HWDB 1.0-1.1数据集中,这叁类模型的字符准确率分别为96.60%、96.52%、96.89%,投票后的字符准确率提升了 0.40%,相比同类型网络投票后的字符准确率增幅提升了0.23%。针对离线手写汉字文本行识别问题,本文采用基于Attention机制的Encoder-Decoder 模型,具体的结构为 CNN+BLSTM+Attention+LSTM,相比MDLSTM-RNN网络,基于Attention的编解码网络在无需扩充数据集和预训练的前提下便可收敛,在公开的CASIA-HWDB2.0-2.2数据集中,字符准确率达到了94.29%。由于本文的网络结构使用两层LSTM,对序列学习能力较强,所以在此网络结构基础上提出给文本行相邻汉字之间添加空白标签的方法,抑制对语义信息的学习能力,字符准确率提升了 1.47%,相比基于MDLSTM-RNN识别方法,准确率提升了12.26%。(本文来源于《中国科学技术大学》期刊2019-04-01）
雒瑞森,任品,旷昊恒[9]（2018）在《基于关键词识别的可离线无线电电磁频谱管控系统研究》一文中研究指出本研究结合当前人工智能的最新技术进展,采用基于识别广播语音关键词的方法,设计了基于广播关键词进行自动无线电频谱信号管控的方法,具有成本低、效率高、可连续工作等特点。另外,针对无线电信号噪音大、非法广播出现时间不确定、且非法广播种类范围较广的特点,本研究提供了针对不同类型的违规广播进行识别的定制功能;同时,不同于主要网络公司提供的语音识别模型需要联网使用的特点,本研究可以在各类平台上内置模型,离线进行使用。(本文来源于《电子测试》期刊2018年21期）
蒋青云[10]（2018）在《基于改进LPP和ECOC-SVMS的离线签名识别方法》一文中研究指出提出一种基于改进LPP和ECOC-SVMS的离线签名识别方法。针对预处理后的签名图像,选择多种有效特征构建高维特征向量,引入一种改进的保局投影方法进行特征提取并同时实现高效降维;签名识别方面,使用基于Hadamard纠错编码方法的ECOC支持向量机多类分类方法,并引入近似概率对ECOC解码进行改进,以提升多类分类器的性能。实验结果表明此方法的可行性和有效性。(本文来源于《计算机与现代化》期刊2018年10期）
离线识别论文开题报告
（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：
由于传统人机交互大多使用键盘、鼠标等交互方式,速度较慢,因此语音识别开始受到越来越多人的青睐。但语音识别也存在如扩展性太差、可复制性不好造成单个产品价格过高、过于依赖外部条件导致对自身使用有所限制等问题。设计并实现一种基于本地的语音识别系统,通过构建抽象语法树,实现语音控制操作。实验结果表明,该系统的离线识别准确率可达70%以上,可以在局域网内实现语音操作。
（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。
离线识别论文参考文献
[1].张瑞,陈友荣,陈浩,刘半藤,周骏华.基于呼吸声音的用户运动状态离线识别算法[J].传感器与微系统.2019
[2].孙林超,秦会斌,崔佳冬.基于Windows的离线关键词语音识别系统设计与实现[J].软件导刊.2019
[3].王文超.面向大词汇量离线中文手写识别的简约建模方法研究[D].中国科学技术大学.2019
[4].胥玉龙,张永梅,滑瑞敏.基于深度学习的离线手写签名真伪识别方法[J].电脑知识与技术.2019
[5].宋永超,巨永锋,杜凯,韩宜轩.基于色度方向角的离线城市红绿灯识别算法[J].北京交通大学学报.2019
[6].许业宽,黄鲁.基于深度学习的嵌入式离线语音识别系统设计[J].信息技术与网络安全.2019
[7].张亚升.基于多分辨率特征融合的离线中文签名识别研究[D].湘潭大学.2019
[8].王馨悦.离线中文手写体识别研究[D].中国科学技术大学.2019
[9].雒瑞森,任品,旷昊恒.基于关键词识别的可离线无线电电磁频谱管控系统研究[J].电子测试.2018
[10].蒋青云.基于改进LPP和ECOC-SVMS的离线签名识别方法[J].计算机与现代化.2018