一种基于粗糙集和神经网络的识别方法

环境适应能力强、识别精度高是有效分离煤和矸石的前提。采用双能X射线透视煤和矸石并成像，避免了粉尘、光照强度和物料表面等外界因素影响。但双能X射线探测器采集射线能量数据存在余晖效应、厚度效应和射束硬化效应等缺陷。为降低缺陷影响，提高煤和矸石识别率，提出一种联合R值图像与高、低能图像特征对煤和矸石进行多维度分析的方法。首先基于双能X射线采集系统获取高、低能图像，并利用比值法得到R值图像；然后针对所获取的三种图像，研究煤和矸石密度及灰分含量等关键物性参数与图像特征关系，据此设计特征提取方案，共计提取8个特征参量，形成一种强特征组合；最后采用Relief算法度量每个特征参量的重要性，进而设计分类试验。以不同地区肥煤、焦煤、气煤和矸石为试验对象，观察剔除权重较低的特征后，分类模型准确率，发现以特征组合[ Rc, μlc, μl, R]为输入，PSO-SVM分类模型对三种煤混合矸石识别效果最佳，识别率为99.4%。结合PSO-SVM分类模型和[ Rc, μlc, μl, R]的特征组合对肥煤、焦煤和气煤分别混合矸石进行识别验证，结果表明：肥煤混合矸石识别率为98.89%，焦煤混合矸石识别率为100

基于大象流的识别准确度高且开销低，对于解决SDN流量管理过程中控制器单点故障问题具有重要意义。针对现有大象流识别方法识别开销大的问题，提出一种大象流两级识别方法。该方法在第一阶段提出基于TCP发送队列的可疑大象流识别算法，在第二阶段提出基于流持续时间的真实大象流识别算法；第一阶段是在端系统中识别可疑大象流，用于降低第二阶段真实大象流识别过程中SDN控制器所需监测的网络流数量。实验分析表明，在保证大象流识别的高准确度前提下，大象流两级识别方法较基于采样的大象流识别方法可以降低约85%的控制器识别开销。

用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，如性别（男性、女性）、年龄（儿童、青少年、成年、老年）、佩戴眼镜（是、否）、戴帽子（是、否）、

关于主数据梳理识别的方法论，可供主数据管理系统建设方参考，实际使用时可简化。

软件工程专业 模式识别-人脸识别的应用 论文

基于Python深度学习的人脸识别方法探究.pdf

基于Python的深度学习人脸识别方法.pdf

提出了利用计算机视觉系统代替人眼识别整粒大米和碎大米粒形的方法。设计了一套基于计算机视觉技术的大米粒形识别装置,采用灰度变换、阂值分割、平滑处理等图像处理方法获取大米的粒形图像,然后根据大米的粒形特点提取了米粒的面积、周长、长、宽等16个特征参数,采用主成分分析方法对提取的特征参数进行处理,以前三个主成分综合所有粒形特征参数,作为BP神经网络的输入特征值对网络进行训练和大米粒形识别。试验结果表明:该方法对整粒米识别的准确率为98.67％;对碎米识别的准确率为92.09％。

基于LBP,Gabor特征相结合的人脸识别方法研究，康健，张洪刚，人脸识别是模式识别领域最为重要的研究课题之一。针对目前对人脸识别准确率越来越高的需求，本文针对LBP,Gabor小波变换将结合的人脸