提出了一種改進(jìn)的LSM-ALSM子空間模式識(shí)別方法，將LSM的旋轉(zhuǎn)策略引入ALSM，使子空間之間互不關(guān)聯(lián)的情況得到改善，提高了ALSM對(duì)相似樣本的區(qū)分能力。討論中以性能函數(shù)代替經(jīng)驗(yàn)函數(shù)來(lái)確定拒識(shí)規(guī)則的參數(shù)，實(shí)現(xiàn)了識(shí)別率、誤識(shí)率與拒識(shí)率之間的最佳平衡；通過(guò)對(duì)有限字符集的實(shí)驗(yàn)結(jié)果表明，LSM-ALSM算法有效地改善了分類器的識(shí)別率和可靠性。關(guān) 鍵 詞 學(xué)習(xí)子空間; 性能函數(shù); 散布矩陣; 最小描述長(zhǎng)度在子空間模式識(shí)別方法中，一個(gè)線性子空間代表一個(gè)模式類別，該子空間由反映類別本質(zhì)的一組特征矢量張成，分類器根據(jù)輸入樣本在各子空間上的投影長(zhǎng)度將其歸為相應(yīng)的類別。典型的子空間算法有以下三種[1, 2]：CLAFIC(Class-feature Information Compression)算法以相關(guān)矩陣的部分特征向量來(lái)構(gòu)造子空間，實(shí)現(xiàn)了特征信息的壓縮，但對(duì)樣本的利用為一次性，不能根據(jù)分類結(jié)果進(jìn)行調(diào)整和學(xué)習(xí)，對(duì)樣本信息的利用不充分；學(xué)習(xí)子空間方法(Leaning Subspace Method, LSM)通過(guò)旋轉(zhuǎn)子空間來(lái)拉大樣本所屬類別與最近鄰類別的距離，以此提高分類能力，但對(duì)樣本的訓(xùn)練順序敏感，同一樣本訓(xùn)練的順序不同對(duì)子空間構(gòu)造的影響就不同；平均學(xué)習(xí)子空間算法(Averaged Learning Subspace Method, ALSM)是在迭代訓(xùn)練過(guò)程中，用錯(cuò)誤分類的樣本去調(diào)整散布矩陣，訓(xùn)練結(jié)果與樣本輸入順序無(wú)關(guān)，所有樣本平均參與訓(xùn)練，其不足之處是各模式的子空間之間相互獨(dú)立。針對(duì)以上問題，本文提出一種改進(jìn)的子空間模式識(shí)別方法。子空間模式識(shí)別的基本原理1.1 子空間的分類規(guī)則子空間模式識(shí)別方法的每一類別由一個(gè)子空間表示，子空間分類器的基本分類規(guī)則是按矢量在各子空間上的投影長(zhǎng)度大小，將樣本歸類到最大長(zhǎng)度所對(duì)應(yīng)的類別，在類x()iω的子空間上投影長(zhǎng)度的平方為()211,2,,()argmax()jMTkkjpg===Σx (1)式中 函數(shù)稱為分類函數(shù)；為子空間基矢量。兩類的分類情況如圖1所示。
上傳時(shí)間： 2013-12-25
上傳用戶：熊少鋒
基于FPGA硬件實(shí)現(xiàn)固定倍率的圖像縮放，將2維卷積運(yùn)算分解成2次1維卷積運(yùn)算，對(duì)輸入原始圖像像素先進(jìn)行行方向的卷積，再進(jìn)行列方向的卷積，從而得到輸出圖像像素。把圖像縮放過(guò)程設(shè)計(jì)為一個(gè)單元體的循環(huán)過(guò)程，在單元體內(nèi)部，事先計(jì)算出卷積系數(shù)。
上傳時(shí)間： 2013-12-03
上傳用戶：fudong911
摘要: 串行傳輸技術(shù)具有更高的傳輸速率和更低的設(shè)計(jì)成本, 已成為業(yè)界首選, 被廣泛應(yīng)用于高速通信領(lǐng)域。提出了一種新的高速串行傳輸接口的設(shè)計(jì)方案, 改進(jìn)了Aurora 協(xié)議數(shù)據(jù)幀格式定義的弊端, 并采用高速串行收發(fā)器Rocket I/O, 實(shí)現(xiàn)數(shù)據(jù)率為2.5 Gbps的高速串行傳輸。關(guān)鍵詞: 高速串行傳輸; Rocket I/O; Aurora 協(xié)議 為促使FPGA 芯片與串行傳輸技術(shù)更好地結(jié)合以滿足市場(chǎng)需求, Xilinx 公司適時(shí)推出了內(nèi)嵌高速串行收發(fā)器RocketI/O 的Virtex II Pro 系列FPGA 和可升級(jí)的小型鏈路層協(xié)議———Aurora 協(xié)議。Rocket I/O支持從622 Mbps 至3.125 Gbps的全雙工傳輸速率, 還具有8 B/10 B 編解碼、時(shí)鐘生成及恢復(fù)等功能, 可以理想地適用于芯片之間或背板的高速串行數(shù)據(jù)傳輸。Aurora 協(xié)議是為專有上層協(xié)議或行業(yè)標(biāo)準(zhǔn)的上層協(xié)議提供透明接口的第一款串行互連協(xié)議, 可用于高速線性通路之間的點(diǎn)到點(diǎn)串行數(shù)據(jù)傳輸, 同時(shí)其可擴(kuò)展的帶寬, 為系統(tǒng)設(shè)計(jì)人員提供了所需要的靈活性[4]。但該協(xié)議幀格式的定義存在弊端,會(huì)導(dǎo)致系統(tǒng)資源的浪費(fèi)。本文提出的設(shè)計(jì)方案可以改進(jìn)Aurora 協(xié)議的固有缺陷,提高系統(tǒng)性能, 實(shí)現(xiàn)數(shù)據(jù)率為2.5 Gbps 的高速串行傳輸, 具有良好的可行性和廣闊的應(yīng)用前景。
標(biāo)簽： Rocket 2.5 高速串行 收發(fā)器
上傳時(shí)間： 2013-11-06
上傳用戶：smallfish
小麥在儲(chǔ)藏階段由于各種災(zāi)害導(dǎo)致?lián)p失巨大，并降低了面粉質(zhì)量，及時(shí)檢測(cè)并分離小麥的受損顆粒迫在眉睫。文章以提取4類小麥碰撞聲信號(hào)為基礎(chǔ)，使用數(shù)字信號(hào)處理方法對(duì)小麥完好粒、蟲害粒、霉變粒及發(fā)芽粒的碰撞聲信號(hào)提取有效特征，最后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，對(duì)于3類小麥類型的識(shí)別取得了較好的識(shí)別率。應(yīng)用結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)能夠較好地實(shí)現(xiàn)區(qū)分受損小麥顆粒與完好小麥顆粒。
標(biāo)簽： BP神經(jīng)網(wǎng)絡(luò) 聲信號(hào) 分類
上傳時(shí)間： 2014-12-29
上傳用戶：lxm
提出了一個(gè)自適應(yīng)量子粒子群優(yōu)化算法，用于訓(xùn)練RBF網(wǎng)絡(luò)的基函數(shù)中心和寬度，并結(jié)合最小二乘法計(jì)算網(wǎng)絡(luò)權(quán)值，對(duì)RBF網(wǎng)絡(luò)的泛化能力進(jìn)行改進(jìn)并用于特征選擇。實(shí)驗(yàn)結(jié)果表明，采用自適應(yīng)量子粒子群優(yōu)化算法獲得的RBF網(wǎng)絡(luò)模型不但具有很強(qiáng)的泛化能力，而且具有良好的穩(wěn)定性，能夠選擇出較優(yōu)秀的特征子集。
標(biāo)簽： RBF 神經(jīng)網(wǎng)絡(luò) 特征選擇 中的應(yīng)用
上傳時(shí)間： 2013-11-16
上傳用戶：erkuizhang
針對(duì)現(xiàn)有車牌識(shí)別算法中的車牌定位、字符分割和字符識(shí)別三個(gè)核心模塊存在的不足， 提出了一種基于邊緣兩側(cè)顏色檢測(cè)的車牌定位方法；通過(guò)采用動(dòng)態(tài)閾值調(diào)整方法，很好的實(shí)現(xiàn)了字符分割；對(duì)神經(jīng)網(wǎng)絡(luò)在字符識(shí)別技術(shù)中的應(yīng)用進(jìn)行了大量的研究和實(shí)驗(yàn)，根據(jù)漢字和數(shù)字、字母特征提取的不同，在對(duì)字符信息初識(shí)別時(shí)將漢字和數(shù)字、字母采用不同結(jié)構(gòu)參數(shù)設(shè)置的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，并對(duì)識(shí)別結(jié)果中包含的具有形體相近的字符提出了一種“不等權(quán)值”的方法。結(jié)果證明識(shí)別率有了明顯提高。
標(biāo)簽： 車牌 識(shí)別軟件 系統(tǒng)研究
上傳時(shí)間： 2013-11-22
上傳用戶：herog3
LTE基站誤碼率測(cè)試是基站射頻測(cè)試中最為關(guān)鍵的測(cè)試項(xiàng)目之一，提出一種快速、高效的測(cè)試方法和測(cè)試架構(gòu)。該方案采用基站射頻板作為數(shù)據(jù)采集卡、完成上行鏈路的解調(diào)和模擬信號(hào)轉(zhuǎn)換成I/Q數(shù)據(jù)功能，利用ADS、MATLAB搭建上行信道的同步、解碼功能。測(cè)試表明該方案的測(cè)試精度達(dá)到 0.2dB，完全滿足研發(fā)和生產(chǎn)中測(cè)試上行相關(guān)射頻指標(biāo)的功能需求， 同時(shí)本設(shè)計(jì)還具有開發(fā)周期短、投資成本低，操作簡(jiǎn)便、很強(qiáng)的跨系統(tǒng)移植能力。
上傳時(shí)間： 2013-11-17
上傳用戶：xhwst
很多教材都是從統(tǒng)計(jì)的觀點(diǎn)討論分析了最佳接收機(jī)的誤碼率問題，統(tǒng)計(jì)的觀點(diǎn)認(rèn)為信道的噪聲是非帶限的高斯白噪聲，分析的過(guò)程也假設(shè)接收機(jī)非帶限。但是從實(shí)際和濾波的觀點(diǎn)來(lái)看，任何形式的接收機(jī)都是頻帶受限的，進(jìn)入到接收機(jī)檢測(cè)器的噪聲頻帶也會(huì)受限。文中基于統(tǒng)計(jì)和濾波的觀點(diǎn)，討論了最佳接收機(jī)的誤碼率問題，得出的結(jié)論相同，但是分析的過(guò)程體現(xiàn)了兩者的不同之處，有助于更好的了解數(shù)字信號(hào)的最佳接收。
上傳時(shí)間： 2013-11-04
上傳用戶：爺?shù)臍赓|(zhì)
文中利用散射迭加方法，推導(dǎo)了多層土壤視在電阻率的計(jì)算公式。在此基礎(chǔ)上結(jié)合場(chǎng)地測(cè)試數(shù)據(jù)，利用復(fù)鏡像法和電位函數(shù)計(jì)算法對(duì)天線場(chǎng)區(qū)的土壤模型進(jìn)行反演，獲得土壤分層結(jié)構(gòu)。然后從電磁理論出發(fā)，根據(jù)所得到的土壤分層模型參數(shù)，推導(dǎo)出甚低頻大地等效電阻率的3種等效法則，并對(duì)每一種等效法則下的等效電阻率進(jìn)行了推導(dǎo)分析。
上傳時(shí)間： 2013-11-10
上傳用戶：guanliya
針對(duì)傳感器網(wǎng)絡(luò)下多目標(biāo)跟蹤時(shí)目標(biāo)數(shù)量不斷變化這一復(fù)雜情況，文中對(duì)多目標(biāo)的跟蹤和特征管理方法進(jìn)行了研究。該方法由數(shù)據(jù)關(guān)聯(lián)、多目標(biāo)跟蹤、特征管理，和信息融合所組成。其中未知數(shù)量多目標(biāo)的跟蹤和數(shù)據(jù)關(guān)聯(lián)通過(guò)馬爾科夫蒙特卡羅數(shù)據(jù)關(guān)聯(lián)實(shí)現(xiàn)。通過(guò)信息融合來(lái)整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實(shí)現(xiàn)特征管理。試驗(yàn)證明，本方法能夠在分布式的傳感器網(wǎng)絡(luò)環(huán)境下對(duì)多目標(biāo)進(jìn)行準(zhǔn)確有效地跟蹤和特征管理。
標(biāo)簽： 傳感器網(wǎng)絡(luò) 多目標(biāo)跟蹤 特征 管理方法
上傳時(shí)間： 2013-11-18
上傳用戶：wangdean1101
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
