一种多模式融合韦伯局部特征的人脸识别方法.zip

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：稀疏表示的人脸识别方法_稀疏标识_人脸识别_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

文中提出一种基于液体状态机的音乐和弦序列识别方法.该方法首先将音乐信号进行切分采样并对每帧提取音级轮廓(PCP),经训练后得到一个液体状态机模型.方法提出两类奇异矩阵、和弦出现概率向量、和弦变换矩阵,它们可用在和弦序列后处理阶段.在神经网络模型、隐马尔科夫模型、回声状态网络模型、液体状态机模型上进行的初步实验得到8组实验数据.数据表明液体状态机模型对音乐和弦序列具有较好的识别效果,文中提出的后处理算法也能显著提高识别准确率.

基于多模态生理数据的连续情绪识别技术在多个领域有重要用途, 但碍于被试数据的缺乏和情绪的主观性, 情绪识别模型的训练仍需更多的生理模态数据, 且依赖于同源被试数据. 本文基于人脸图像和脑电提出了多种连续情绪识别方法. 在人脸图像模态, 为解决人脸图像数据集少而造成的过拟合问题, 本文提出了利用迁移学习技术训练的多任务卷积神经网络模型. 在脑电信号模态, 本文提出了两种情绪识别模型: 第一个是基于支持向量机的被试依赖型模型, 当测试数据与训练数据同源时有较高准确率; 第二个是为降低脑电信号的个体差异性和非平稳特性对情绪识别的影响而提出的跨被试型模型, 该模型基于长短时记忆网络, 在测试数据和训练数据不同源的情况下也具有稳定的情绪识别性能. 为提高对同源数据的情绪识别准确率, 本文提出两种融合多模态决策层情绪信息的方法: 枚举权重方法和自适应增强方法. 实验表明: 当测试数据与训练数据同源时, 在最佳情况下, 双模态情绪识别模型在情绪唤醒度维度和效价维度的平均准确率分别达74.23%和80.30%; 而当测试数据与训练数据不同源时, 长短时记忆网络跨被试型模型在情绪唤醒度维度和效价维度的准确率分别为58.65%和51.70%.

提出一种基于二维经验模态分解(BEMD)的合成孔径雷达(SAR)目标识别方法。BEMD可以从原始SAR图像提取多层次的二维固态模函数(BIMF),它们可以更好地描述目标的细节信息,因此联合原始SAR图像及其多层次BIMF,可以为后续的分类决策提供更多有益信息。采用支持向量机(SVM)对原始SAR图像以及各个层次的BIMF进行决策,然后基于Bayesian理论对各个SVM输出的结果进行有效融合,从而获得更为稳健的识别结果。基于MSTAR数据集设置几种典型的实验条件,对本文方法进行性能测试,结果验证本文方法相比几类现有SAR目标识别方法更具有性能优势。

基于社交网络的热点事件潜在意见领袖识别方法

摘要 ：为了解决光照变化对疲劳检测系统造成的识 别准确性不 高的问题 ，提 出了一 种近红外环境下 判断人眼状态 的方 法，即针对红 外光补 图像的人眼状态判断 ；首先 ，利用 Ada boost算法进行人 眼区域定位 ，在 网格法标记人眼瞳孔部分 的基础上 ，采用 Re t i nex算法对 红外 图像进行增强 ；接着 ，结合 “亮瞳效应”特性 ，X ~-值化以及边缘检测后的红外图像分别进行 网格法闭合度计算 ，得 到人眼 闭合度 大小 ；最后 ，根据闭合度计算结果设定双 阈值并结合 PERCLOS准则来判断人眼特征状态 ；另外 ，在 DM642硬件平台上进行疲 劳检测试 验 ，实验结果表明 ，该方法 的人眼状态识别率达到 了 90 以上 ，且平均每秒能处 理 21帧图片 ；证 明了该 方法不仅 能有效解决 光照变化 带来 的问题 ，而且满足疲劳状态检测系统的快速性 、准确性和有效性等要求。

对内燃机复杂噪声源进行识别和排序是内燃机噪声控制的关键基于逆边界元法 (IBEM) 的噪声源识别技术，利用边界元法建立了声场与结构表面振动速度之间的声学传递向量 (ATV) 将常规的声压测量作为输入数据，在逆向数值计算方法的基础上能够精确地重构出结构表面法向振动速度，进而获得源面详细的振声特征信息．针对某轿车柴油机，测试了额定工况下近场 144 个场点声压，应用该方法在发火频率点处，重构出了柴油机表面法向振动速度分布．通过对比预测和实测声场点声压，验证了该方法的有效性.在噪声面板贡献量分析的基础上，对该柴

BPSK_QPSK与OQPSK_UQPSK调制识别方法摘要: 近年来, 卫星测控链路中大量使用了 OQPSK、 UQPSK 的调制方式。从而, 提出了如何区分这两种调制方式与 BPSK、 QPSK 信号的课题。本文借助仿真工具 MATLAB 分析了这四种信号的二倍频、 四倍频频谱特性, 并对区分这四种信号的方法 进行了初探。

基于深度学习模型的人脸识别部分主要包含三个模块：数据预处理模块、深度学习模块和识别模块。数据预处理模块主要由数据整合和构造数据立方体两个部分组成。深度学习模块通过两个具体过程来实现：RBM 调节和深度模型的反馈微调。RBM 的调节过程是自下而上的各个层间的调节过程，以这种方式来初始化整个深度模型的系统权值，而深度模型的反馈微调，首先进行自下而上的识别模型转换，然后再进行自上而下的生成模型转换，最后通过不同层次之间的不断调节，使生成模型可以重构出具有较低误差的原样本，这样就得到了此样本的本质特征，即深度模型的最高抽象表示形式。