基于特征脸的人脸识别及实现

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,来辨认身份的一门技术。阐述了基于特征脸的人脸识别基本算法,给出了特征脸的解释,并用OpenCV编程实现对ORL人脸库进行识别仿真实验。该方法主要通过创建给定图像库中的特征脸和人脸图像的空间距离来进行人脸检测,顺利实现和验证了特征脸算法。     

基于MBP算法和深度学习的人脸识别

为了解决在深度学习提取人脸图像特征时,易忽略其局部结构特征和缺乏对其旋转不变性学习的问题,提出了一种基于单演局部二值模式(MBP)与深度学习相结合的高效率人脸识别方法。首先,用多尺度单演滤波器对图像进行滤波,得到幅值和方向信息;其次,用LBP算法和象限比特的方法进行编码,分块计算组合其直方图特征;然后,将提取的单演特征作为深度信念网络(DBN)的输入,逐层训练优化网络参数,得到优异的网络模型;最后,将训练好的DBN网络在ORL人脸数据库上进行人脸识别实验,进行识别率计算,其识别率为98.75%。所提出的方法使用无监督的贪婪算法,隐藏层设定为2层,使用反向传播算法优化网络。相较于已知的人脸识别方法,MBP+DBN算法对光照、表情和部分遮挡变化具有较好的鲁棒性,在人脸识别中识别率较高,具有一定的优势,为图像特征提供了一种新的识别方法。     

基于支持向量机的离心机振动信号采集及分析

为更准确地判断离心机工作状态，使用动态信号采集仪对离心机进行信号采集，并对数据进行预处理。使用支持向量机模型，提取离心机振动信号的时域和时频域信息作为其状态特征，使用主成分分析（PCA）降维技术得到低维、冗余信息较小、对状态信息表达一致的低维特征矩阵。将特征矩阵输入支持向量机进行分类识别，使用时域特征、时频域特征、时域+时频域特征作为输入，识别准确率可达90%。     

一种序列图像中的人脸提取算法

主元分析法是一种有效降低维数和提取特征的方法,在对主元分析法改进的基础上,提出了一种运动目标检测及人脸提取技术。首先以3帧原始图像序列为训练集,用改进的主元分析法计算特征向量,其中第1特征向量和第2特征向量的乘积代表了原图像序列中的运动对象,将这个特征向量定义为特征前景;然后,用平方投影函数提取特征前景中的人脸。实验结果表明,该方法可自动提取运动图像序列中的人脸,且计算简单,准确率高。     

基于二维Gabor小波与AR-LGC的人脸特征提取算法研究

针对Gabor小波提取的特征信息不够全面以及维数灾难问题,提出了一种基于二维Gabor小波与AR-LGC人脸特征提取的改进算法。首先利用二维Gabor小波提取归一化人脸图像的特征信息,使用AR-LGC算子对提取的Gabor特征进行编码;然后对编码后的Gabor特征图谱进行划分,对每个子块进行直方图统计,将其串联形成人脸表情特征向量并利用PCA进行数据压缩,最后利用C-SVM进行分类识别。实验结果表明,平均识别率为93.33%的比AR-LGC+SVM,Gabor+PCA+SVM提取特征算法的平均识别率分别高6.19%,3.33%。因此所提出的算法在人脸图像的特征信息提取方面有一定的参考价值。     

基于温度分析的抽水储能发电机故障模式识别

为提高抽水蓄能电站系统运行的稳定性和可靠性,提出了一种通过主站发电机瓦温信息构建发电机故障诊断模型的方法。以温度值作为特征量构建了支持向量机故障诊断模型,结合麻雀算法全局寻优和局部寻优自由切换的优势,将故障识别正确率作为迭代更新的目标函数,对支持向量机的惩罚因子以及核函数半径的参数组合进行优化。根据麻雀种群位置优化特点,给出了基于麻雀搜索算法进行SVM参数优化的详细步骤流程,并对采集的水泵发电机实测温度数据进行验证和分析。实测数据表明,所提方法可对下导瓦间隙偏小、冷却器容量不足、透平油老化、杂质混入等故障模式进行识别。与若干现行同类方法进行对比分析可知,基于温度分析的发电机故障诊断方法可为抽水储能发电机运行状态监测及主站电机的安全可靠运行提供有益参考。     

基于Isomap-MPA-LSSVM软测量模型的PVC聚合过程转化率预测

针对聚氯乙烯（PVC）聚合过程转化率难以实时获取,提出了一种基于Isomap-MPA-LSSVM软测量模型预测氯乙烯单体（VCM）转化率的方法。首先,为消除数据间共线性,采用等度量映射（Isomap）算法对原始数据特征进行提取,得到模型的输入变量。其次,用海洋捕食者算法（MPA）优化最小二乘支持向量机（LSSVM）的参数,并建立模型。最后,进行仿真实验。结果表明,软测量模型相较于MPA-LSSVM与LSSVM模型,预测的平均绝对误差分别降低了43.03%和59.92%,均方根误差分别降低了30.27%和52.24%,显著提升了VCM转化率的预测精度。所提模型能精确预测VCM转化率,对提高PVC的产品质量具有重要参考意义。     

一种基于感受野增强的人脸检测方法

为了解决多任务级联卷积神经网络（MTCNN）算法网络模型在小人脸检测方面鲁棒性较低的问题,提出了一种基于感受野增强的网络模型。首先,为MTCNN算法模型中的R-Net网络和O-Net网络添加感受野模块（receptive field blocks,RFB-S）。其次,通过添加批量标准化和全局平均池化,加速网络模型的收敛,防止模型过拟合。最后,调整网络任务的权重,P-Net和R-Net网络用于人脸区域粗筛选,O-Net网络用于人脸区域精筛选以及人脸关键点回归。实验结果表明,与MTCNN算法网络模型相比,所提模型缩小了16%,但检测速度提升了9%,在FDDB数据集上的检测精度提高了2.3%。因此,基于感受野增强的网络模型能有效完成人脸的检测任务,增强对小人脸检测的鲁棒性,可为人脸识别、表情识别等提供技术支持。     

基于无线传输的智能小区门禁系统设计

提出了一种基于支持向量机的机械故障诊断模型,该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得最好的推广能力。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果验证了该模型的有效性。     

基于骨干度与网络编码的链路预测模型研究

为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。     

基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

基于词向量和变分自动编码器的短文本主题模型

为了解决短文本稀疏性问题,提高主题模型的性能,提出了一种词向量嵌入的主题模型。首先,假设一篇文档只包含一个主题;其次,利用词向量对每一轮迭代的主题进行扩充与调整,即对每一个主题,利用一种非参数化的概率采样方法得到一些词,再用词向量找出相似词,提升该主题下相似词的权重;最后,用拉普拉斯近似主题分布,使其更好地运用在变分自动编码器训练中,从而加快训练速度。实验结果表明,本文模型训练出的主题具有较好的解释性,并优于其他主流的模型,可为短文本的主题提取提供更多的可能。在主题模型训练的过程中,利用词向量干预主题词分布可以得到较好的主题质量,并可以通过变分自动编码器加快训练速度,对自然语言处理问题的研究具有一定的创新性和参考价值。     

基于Adaboost-DPSO-SVM模型的供应链金融信用风险评价研究

数字化赋能供应链金融创新是推动我国产业链、供应链持续稳定优化升级的重要内容,在全球金融风险急剧增加的背景下,供应链金融与大数据、区块链、物联网、人工智能等技术相融合,成为解决我国中小企业融资授信问题的有效方式之一。本文在对供应链金融信用风险评价指标进行特征选择的基础上,采用一种动态变异的粒子群算法(DPSO)和AdaBoost算法对SVM进行协同优化和集成,建立了Adaboost-DPSO-SVM模型,并将该模型应用于我国新能源汽车行业供应链金融信用风险评价中,实验结果表明所建立的模型相对其他评价模型具有更好的分类识别性能。     

高频视角下创业板市场的非对称尾部风险度量

创业板汇集了大批高成长性的科技企业,面临着高度不确定的市场风险。本文考虑创业板市场的非对称性和厚尾性,在偏t分布下利用5分钟高频数据构建已实现GARCH模型衡量其波动率,同时考虑到微观结构噪声影响,在RV的基础上引入对噪声稳健的BPV已实现测度,从而提升高频VaR模型的预测准确性。对创业板指和深证成指的实证结果表明,已实现GARCH模型在参数显著性和模型预测准确性方面均优于低频下的ARMA-fGARCH-VaR模型;基于RV和BPV的已实现模型没有显著差异;相比于深市主板,创业板面临的尾部风险更大。同时,为更好地监测与管控创业板市场风险,从政府和创业企业两个层面提出对策建议。     

基于轻量级卷积神经网络的苹果表面缺陷检测方法

为了解决目前农业信息领域对苹果表面缺陷检测准确率低的问题,提出一种基于轻量级卷积神经网络的苹果表面缺陷检测方法。首先采集苹果缺陷样本图片制作实验数据集用于模型训练和测试;其次在AlexNet网络结构的基础上,引入深度可分离卷积代替原有网络中的标准卷积运算来进行图像特征的提取;最后利用全局平均池化方法代替原有网络中的全连接层,从而将卷积层输出的多个特征图以自身为单位进行映射得到特征点。实验结果表明:改进后网络对苹果缺陷识别精度达到了98.57%,较改进前提升1.55%;较改进前模型参数量减少99.3%、训练速度提高32.67%、FPS提高33.28%,改进后的轻量级卷积神经网络不仅减少了模型参数量和训练时间,而且提高了检测精度和速度。因此,新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,具有较强的工程实用性,可为苹果缺陷分类提供理论参考。