导读:本文包含了模式识别与分类论文开题报告文献综述、选题提纲参考文献，主要关键词:时域,神经网络,相位,特征,分布式,光纤,反射。
模式识别与分类论文文献综述写法
詹君,程龙生,彭宅铭,胡多海[1]（2019）在《基于混合模型与改进多分类马田系统的控制图模式识别》一文中研究指出为提高生产过程中产品质量的智能监控水平,提出基于时间序列混合模型及改进多分类马田系统的控制图模式识别算法。选用时间序列混合模型对控制图实时数据进行特征提取;改进马田系统的阈值计算方法并制定多类判别准则,将表征的特征向量代入改进多分类马田系统分类器中进行特征约减及模式识别。最后,将该识别算法应用于控制图公开数据集及生产案例中,以验证算法的有效性,并与其他算法对比了分析,结果表明,基于时间序列混合模型及改进多分类马田系统算法能简化识别系统,识别精度高,是一种更为有效的控制图模式识别方法。(本文来源于《中国机械工程》期刊2019年22期）
章坚[2]（2019）在《基于灰度图中心矩与概率神经网络分类器的局部放电模式识别》一文中研究指出为了提高局部放电的识别率与速度,本文将矩特征与概率神经网络相结合应用于局部放电模式识别,采集了开关柜四种缺陷放电类型。通过每种放电类型的叁维谱图谱图获取矩特征。将得到的矩特征输入概率神经网络(PNN)进行分类识别。并分别与统计特征输入PNN、矩特征输入BP、HMM(隐马尔科夫模型)、贝叶斯分类器进行了比较。实验结果表明,基于矩特征与概率神经网路相结合对开关柜缺陷类型的分类效果令人满意。(本文来源于《通讯世界》期刊2019年07期）
张艾伦[3]（2019）在《基于概率神经网络分类器的Φ-OTDR分布式光纤扰动传感系统模式识别研究》一文中研究指出分布式光纤传感系统具有无需外场供电、抗电磁干扰能力强、探测灵敏度高、监测范围广、便于集成等优势,已经成为了传感器领域的研究热点之一。目前,分布式光纤传感系统己广泛应用于油气管道状态检测、大型结构探伤、国土安全监控等诸多领域。在众多类型的分布式光纤传感技术中,基于相位敏感光时域反射器(Φ-OTDR)的传感系统凭借着其空间分辨率高、系统结构简单、可同时定位多个扰动事件等优点,成为当前长距离分布式光纤传感系统研究的主流方向之一。本文针对Φ-OTDR分布式光纤传感系统在实际应用中遇到的误报率较高、对于扰动事件是否有害判别不清的问题,提出了基于概率神经网络(PNN)模型分类器的扰动事件模式识别方法,有效实现了对不同类型的扰动事件的区分。本文主要完成的研究工作如下:(1)在理论研究Φ-OTDR分布式光纤传感系统的原理及其系统的输出信号特征的基础上,构建了基于Φ-OTDR分布式光纤传感实验平台,实验采集浇水、攀爬、敲击与碾压四类扰动信号以及无扰动时的输出信号,研究了时域信号及时域差分信号相应的特征值的提取并将扰动信号划分为测试样本,为后续扰动信号模式识别研究奠定了基础。(2)提出了基于概率神经网络模型的扰动事件模式识别方法,并通过样本数据加以实验验证。实验结果表明该方法对于五种事件类型(浇水、攀爬、敲击、碾压与无扰动)的平均识别正确率达到了 97.57%、95.68%、99.92%、99.08%、99.97%,该方法可以有效区分不同扰动事件,但实时性较低。网络模型的建立与识别的平均时间为1.1369秒。(3)根据概率神经网络模型的工作流程,为了实现在保证识别准确性的前提下改善算法的实时性,提出了通过使用平均影响因子的改进方案与通过使用主成分分析方法的改进方案,并通过仿真实验对两种方案加以验证。两种方案的对五种情况的平均识别正确率分别达到了 93.36%、92.48%、97.01%、96.99%、99.60%和96.80%、94.13%、99.36%、98.45%、99.95%,两种改进方案的识别时间分别为 0.8745秒和0.9308秒,较原始模型有所提高。(4)根据现有样本数据探索一种“删减-放回”的样本库构建方法,并利用这种方法建立起两种改进模型样本占总样本比重为70%、60%、50%、40%的样本库,并加以实验验证分析。试验结果表明在现有数据基础上,在使用占比为50%以上的样本库进行识别工作仍可以得到90%以上的正确率。(本文来源于《北京交通大学》期刊2019-06-01）
罗微[4]（2019）在《基于图像多特征模式识别的木材分类分选算法研究》一文中研究指出我国林业资源相对匮乏,但目前国内主流木材加工厂的加工备料方法过于简单粗放,模式传统,致使原材料的加工利用率不高,加工生产效率较差。为有效的提高木材利用率、提高木材生产效率,本文基于多特征模式识别木材分类分选,通过将待选木材图像按树种进行检索分类,从而进一步按照提取的缺陷类别及检量标准实现基于机器视觉的木材等级分选。现有的基于机器视觉的木材缺陷分等,皆为按照缺陷本身形态特征参数对木材等级分选,并未实现在木材树种分类的基础上分等优选,这同生产实际的木材分等检量标准操作是不相符的。针对上述问题,本研究在对木材树种判别的基础上,对木材图像进行缺陷分类,根据针叶树材与阔叶树材缺陷类型的不同,按照提取的缺陷面积检量参数,将木材分为特等、一等、二等和叁等。本研究在120个树种中选取有代表性的50个中国常见树种,每个树种对应径切面和弦切面两幅图像,作为检索实验的研究对象,构建多类树种样本库1。再采集5个东北常见树种的样本,制作这5个树种的2种切面(径切、弦切)的木材图像,每个树种100个,共计1000幅,其中包括104个死节、40个活节、72个虫害、92个裂纹缺陷图像,构建样本库2。研究内容及实验结果主要为:(1)为实现木材树种检索判别,本文研究了木材图像检索的颜色与纹理特征提取与相似度匹配判别方法。结合木材材色与纹理的自身特点,提出了适合木材树种判别的匹配检索方法。利用基于颜色空间非等间隔量化的主色调特征提取方法,可以对颜色分布范围较窄、树种间颜色差异相对细微的木材图像进行特征匹配,从而达到更为理想的检索判别效果。在经过颜色特征检索后,进一步利用6个纹理特征包括:对比度(CON),二阶角矩(ASM),方差和(SV),长行程加重因子(LRE),分形维数(FD),小波水平能量分布比重(EPLH)构建特征量体系以实现进一步检索,通过实验结果分析可知,分步检索可令检索判别结果趋近于更高的精准度。(2)提出了一种针对木材图像缺陷二值化局部阈值分割算法,该算法采用计算窗口模板均值、标准差、以及极值来计算各点阈值。实验结果表明,本研究提出的算法针对复杂背景木材图像缺陷分割具有良好的性能,性能明显优于全局阈值、Bernsen算法,略高于Niblack算法和Sauvola算法。算法对木材图像的缺陷分割精度可达92.58%,更适用于材色或光照不均一、有纹理噪声干扰等背景的木材缺陷图像。(3)在缺陷分割基础上,根据不同木材缺陷特异性的采用形态学方法进一步的改善缺陷提取效果,在大幅度的减少噪声的基础上,最大程度还原了缺陷二值特征。并利用形态学函数有效提取缺陷的长度、宽度、数量及位置等相关参数。(4)木材图像缺陷检测分类部分采用了 3种模型:BP神经网络模型、SVM支持向量机分类模型、CNN卷积神经网络模型。BP神经网络通过分别提取了 LBP特征以及HOG-LBP融合特征实现分类,分类准确率最高为50%。SVM分类模型提取了 HOG特征、LBP特征以及HOG-LBP融合3组特征,而以HOG-LBP融合特征实现缺陷分类效果明显优于采用HOG或LBP单一特征。分别采用4种核函数基于HOG-LBP融合特征实现分类,通过实验发现多项式核函数及高斯核函数分类性能最好,准确率均为98.68%。CNN卷积神经网络模型输入层维度512× 512× 3,采用尺寸为9× 9的1、0相间的卷积核,分别验证了其层数为2-4层时的分类准确率。采用CNN卷积神经网络测试最优为4层结构,分类准确率为98.68%。(5)通过对实验参数的优化设计,以及训练过程的监督及实验结果的比对分析,验证了不同模型的性能及优势所在。通过比对分析,认为BP神经网络虽为传统经典模型,但对于木材缺陷的HOG特征、LBP特征以及HOG-LBP融合特征并不敏感,因此,在当前特征提取情况下,不太适用于木材模型分类。CNN卷积神经网络模型及SVM支持向量机模型较之更适合木材缺陷检测分类,其对木材缺陷的检测及分类具有较高的分类准确率。(本文来源于《东北林业大学》期刊2019-04-01）
郑利浩,张宏宽[5]（2019）在《激光雷达图像分类的模式识别研究》一文中研究指出激光雷达图像的类型众多,而且类型之间的相似度大比较大,当前激光雷达图像分类方法存在分类时间、分类误差大等不足,为了改善激光雷达图像分类效果,提出了基于模式识别技术的激光雷达图像分类方法。首先提取基于激光雷达图像的特征向量,然后采用模式识别技术进行激光雷达图像的分类,最后与当前它激光雷达图像分类方法进行了对比测试。本文方法的激光雷达图像分类正确率高于95%,远远高于其它方法的激光雷达图像分类正确率,改善了激光雷达图像分类效率,具有更加广泛的应用前景。(本文来源于《激光杂志》期刊2019年02期）
李静森[6]（2018）在《基于仿生模式识别的构造型神经网络分类方法分析》一文中研究指出本文体出了一种将仿生模式识别理论作为基础的神经网络构造方法。仿生模式理论认为,同类但不完全相等事物之间存在着至少一个渐变过程,在这个过程当中,各种事物都属于同一类别。利用该理论,能够从高维空间当中神经元模型的几何意义出发,对一种全新的神经网络进行构造,从而使得高位空间中不同亚你根本形成的不同几何体覆盖能够得到有效的实现,并对其进行有效的分类。本文的研究利用双螺旋曲线分类实验使得这种网络的识别效果得到了证明。(本文来源于《电子技术与软件工程》期刊2018年13期）
孙晗[7]（2018）在《基于模式识别技术的立体足迹步态特征提取与分类》一文中研究指出立体足迹步态分析是我国刑事科学技术领域足迹分析理论的重要组成部分,曾经在侦查破案中发挥过重要作用。然而在实战中,基于立体足迹的步态分析理论的应用主要以技术人员的经验为支撑,存在主观性较强的缺点。为解决这些问题,让步态分析理论发挥更大作用,本文以模式识别相关理论和方法为技术手段,研究立体足迹中抠痕和踏痕的自动检测算法,实现立体足迹中步态特征的自动提取与分类。首先,使用犯罪现场立体足迹拍照提取的方法,在沙地上大量采集立体足迹照片,然后使用Matlab编写软件,截取足迹照片中的抠痕、踏痕形态图象,建立了规模约为4000的抠痕和踏痕样本库。其次,选取Haar和LBP(Local Binary Pattern,局部二值特征)作为特征提取方法,用这两种方法分别提取抠痕和踏痕的特征向量,选取Adaboost(Adaptive Boosting)作为分类算法,分别基于Haar特征和LBP特征训练出检测抠痕和踏痕的算法,并进行测试。测试效果显示,对于抠痕和踏痕,使用Haar特征和LBP特征这两种方法均有较好的检测效果。之后,针对同一种痕迹,比较两种检测算法的优劣。实验中采用了绘制ROC曲线(Receiver Operating Characteristic)和计算AUC值(Area Under the Curve)的方法。比较发现,对于抠痕基于LBP的检测算法性能较好。对于踏痕,基于Haar特征的检测算法性能较好。经过研究,证明了利用模式识别进行立体足迹步态特征的自动提取与分类是可行的,并且在抠痕和踏痕上取得了良好的实验效果,为利用立体足迹步态特征进行足迹分析和人身鉴别提供了新的思路。(本文来源于《中国人民公安大学》期刊2018-06-14）
仝政霖[8]（2018）在《基于深度学习的阿兹海默症基因表达模式识别与样本分类》一文中研究指出阿兹海默症(Alzheimer’s Disease,AD)是一种在老年人中高发的进行性神经退行性疾病,病因未明,病程不可逆。早期诊断与治疗是延缓病情发展的一般措施,对于延长患者存活时间和提高生活质量具有重要意义。目前对AD的分类和轻度认知障碍(Mild Cognitive Impairment,MCI)转化预测研究,主要集中于对影像数据和生化标记物的分析。外周血基因表达数据可以及时反映生理状态和疾病的发展状态,对于AD早期诊断具有潜在的应用价值,但是由于数据获取和分析上存在的挑战还没有得到有效的转化应用。深度学习算法的提出和在多个领域中的成功应用,为基因表达数据的分析和AD相关特征的识别与分类提供了强力的工具。本论文利用堆迭去噪自编码器(stacked-denoise autoencoder,SDAE)开展提取阿兹海默症基因表达特征的研究,辅助AD分类和MCI转化预测。本文将深度学习算法应用于微阵列基因表达数据的分析。使用国际上应用广泛的ADNI(Alzheimer′s disease neuroimaging initiative)专业数据库中的基因表达数据,构建了3层的堆迭去噪自编码器来提取阿兹海默症的基因表达特征,通过使用10折交叉验证实验来优化网络结构参数,确定最优的叁个隐层节点数分别为5000、500、50,受损水平分别为0.1,0.2,0.1。利用SDAE提取的基因表达特征构建SVM(Support Vector Machine)分类器,对246名健康人与498名MCI&AD患者的基因表达数据进行分类分析,与原始探针、主成分分析(PCA)和差异表达分析叁种特征提取方法进行对比,结果表明,基于SDAE特征的分类结果在准确率、精确率、召回率和AUC这4个性能指标上均要优于叁种对照的方法。如果将SDAE的叁层特征组合,对阿兹海默症的分类准确率达到100%。对SDAE提取的特征进行进一步的分析,找出对分类贡献较大的节点,以降低特征维度。使用改进的SVM–RFE特征选择方法,从SDAE第一层隐层的5000个节点中,选择43个高贡献节点作为特征,对相同数据集进行分类,其ROC曲线表明在分类性能上只有微弱的下降;同时,使用非高贡献节点为特征的分类性能有大幅度的下降,表明了高贡献节点方法对于样本分类的有效性。提取43个高贡献节点中的5437个高权重探针进行功能分析,KEGG通路富集分析显示,高权重探针显着富集于阿兹海默症、帕金森症和亨廷顿症这叁个通路,表明这些基因与这叁种神经性疾病的高度相关;同时通路聚类结果表明,非酒精性脂肪肝也与这叁个通路具有较强的相关性,隐含着它们存在共同的分子机制。比较高权重探针作为特征和基于高权重探针构建的SDAE特征的分类结果,发现SDAE特征节点的分类效果更好。将这些SDAE特征应用于GSE6613数据集的分析,其分类性能明显优于采用原始探针数据、主成分分析和差异表达分析等方法,进一步验证了SDAE特征节点具有较好的分类效果,SDAE更为有效地提取了基因表达数据中的分类特征。对ADNI数据库中80名MCI转化为AD的患者和271名MCI未转化为AD患者构建基于堆迭去噪自编码器的MCI转化预测模型。与原始探针值、主成分分析和差异表达分析方法进行比较,SDAE模型可以显着地提升预测结果。采用SDAE叁层组合特征,分类准确率为0.8577,精确率为0.8720,召回率为0.9240,AUC值为0.91。对SDAE第一隐层的5000个节点进行特征筛选,以338个高权重探针形成52个新特征,其分类性能下降较大,准确率只有0.7746。但是相比主成分分析和差异表达分析,SDAE特征对于MCI转化预测仍然具有优势。本文立足于对基因表达数据的特征提取和分类预测,构建了基于堆迭去噪自编码器的AD分类和MCI转化预测模型,取得了良好的效果,再一次表明了SDAE在表达数据特征提取中的优越性,对于整合更多生物标志物辅助AD早期诊断具有重要意义。(本文来源于《东南大学》期刊2018-05-01）
陈飞[9]（2018）在《基于微量组分的白酒基酒分类鉴别与模式识别研究》一文中研究指出白酒作为我国传统的民族工业,有着悠久的历史和深厚的文化底蕴。基酒作为勾调白酒的母液,其地位和作用自然不可忽视,然而基酒存在着掺假、伪造以及酒龄溯源困难等一系列问题。因此,如何通过基酒的高灵敏度、高分辨率以及快速的检测,从而达到不同等级、年份和香型基酒的鉴别分类及模式识别的目的,是目前研究的重点。基于此,本文利用GC和GC/Q-TOFMS对白酒基酒中的微量组分进行定量检测,通过主成分分析(PCA)、聚类分析(HCA)、判别分析(LDA)以及神经网络分析(ANN)等模式识别技术对基酒进行鉴别分类并建立模型。本文主要完成了以下工作:(1)采用气相色谱(GC)内标法对不同等级、香型白酒基酒中乙酸乙酯、乙醛、β-苯乙醇等33种微量组分进行了定量检测,并对检测方法做了精密度和回收率等检验。利用单因素方差分析(ANOVA)、主成分分析(PCA)、聚类分析(HCA)和判别分析(LDA)对数据进行分析。结果表明:乙醛、乙缩醛、甲醇、丁酸乙酯、仲丁醇、正丙醇、异丁醇、正丁醇、乙酸乙酯以及乳酸乙酯10种微量组分对不同等级基酒有显着性影响,乙醛、乙酸乙酯、乙缩醛、甲醇、丁酸乙酯、仲丁醇、异丁醇、异戊醇、乙酸乙酯以及乳酸乙酯10种微量组分对不同香型基酒有显着性影响。主成分和聚类分析均能实现不同等级、香型基酒的正确区分,判别分析对未知样分类正确率为100%。(2)采用气相色谱/四级杆飞行时间质谱仪(GC/Q-TOFMS)内标法定量检测了不同年份、等级白酒基酒中甲酸乙酯、乙缩醛、甲酸等79种微量组分,通过精密度和回收率实验检验了方法的重复性和精确度。利用单因素方差分析(ANOVA)分别筛选出甲酸乙酯、丙酸以及正丙醛等43种对不同年份白酒基酒有显着性影响的微量组分,甲酸乙酯、丁酸以及4-甲基苯酚等37种对不同等级白酒基酒有显着性影响的微量组分。利用主成分分析(PCA)、聚类分析(HCA)和判别分析(LDA)对筛选出的43种微量组分进行处理,主成分分析、聚类分析、判别分析均能实现不同年份基酒的正确分类,判别分析对未知样的分类准确率为96.7%。(3)将筛选的对不同等级基酒有显着性影响的37种微量组分进行主成分分析,得到不同等级白酒基酒的综合特征指标G。以综合指标G为自变量g,感官品评得分U为因变量进行线性回归、二次回归、叁次回归、对数回归以及指数回归等回归分析,得到回归方程U=f(g),建立了一种不同质量白酒基酒的等级评价模型U=0.00013g~3-0.0182g~2+0.993g+72.193。对模型进行验证,符合率达到95%。(4)将筛选的对不同年份基酒有显着性影响的43种微量组分数据进行Z标准化处理后,通过神经网络建立基酒酒龄识别模型,并采用混淆矩阵和F1-score得分对模型进行评价。结果表明:神经网络在训练初期,准确率仅为20%,在迭代了40次以上时,训练准确率达到100%的水平,模型最低判定概率达到74.6%,分类准确率为100%,所有类别预测准确率为100%。(本文来源于《重庆大学》期刊2018-04-01）
刘勇[10]（2018）在《基于随机森林分类器的Φ-OTDR传感系统模式识别研究》一文中研究指出相位敏感光时域反射计(Phase-Sensitive Optical Time Domain Reflectometer,Φ-OTDR)分布式光纤扰动传感系统可以实现多点定位,稳定性好,精度高,是分布式光纤传感技术的研究热点。在实际应用中,环境干扰和人为干扰会导致误报,造成较高的误报率。本论文针对这一问题,进行深入理论和实验研究,提出基于随机森林的扰动事件识别方法,实现对不同的入侵扰动事件和非入侵扰动事件的判别,有效降低了 Φ-OTDR系统的误报率。本论文完成的主要工作如下:(1)对Φ-OTDR分布式光纤扰动传感输出信号进行分析,提取四种情况(浇水,敲击,碾压,无扰动)下的扰动信号,分析了扰动信号的时域特征,并对特征进行归一化以避免过拟合问题,为后续的扰动事件识别奠定基础。(2)提出基于决策树的扰动事件识别方法,并对其实现和验证。实验结果表明所提出的基于决策树的扰动事件识别方法能够有效识别四种扰动事件,对四种扰动事件(浇水,敲击,碾压及无扰动)的识别率分别达到90.19%、92.06%、89.95%和97.37%,平均识别率达到92.36%。但该算法的稳定性及鲁棒性较差。(3)提出基于随机森林的扰动事件识别方法,对其实现和验证。结果表明该方法能够有效的对四种扰动事件进行区分,相比于基于决策树的扰动事件识别方法,识别率得到显着提升,对四种扰动事件的识别率分别达到93.79%,97.36%,97.06%和98.12%,平均识别率超过96%。(本文来源于《北京交通大学》期刊2018-03-01）
模式识别与分类论文开题报告范文
（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：
为了提高局部放电的识别率与速度,本文将矩特征与概率神经网络相结合应用于局部放电模式识别,采集了开关柜四种缺陷放电类型。通过每种放电类型的叁维谱图谱图获取矩特征。将得到的矩特征输入概率神经网络(PNN)进行分类识别。并分别与统计特征输入PNN、矩特征输入BP、HMM(隐马尔科夫模型)、贝叶斯分类器进行了比较。实验结果表明,基于矩特征与概率神经网路相结合对开关柜缺陷类型的分类效果令人满意。
（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。
模式识别与分类论文参考文献
[1].詹君,程龙生,彭宅铭,胡多海.基于混合模型与改进多分类马田系统的控制图模式识别[J].中国机械工程.2019
[2].章坚.基于灰度图中心矩与概率神经网络分类器的局部放电模式识别[J].通讯世界.2019
[3].张艾伦.基于概率神经网络分类器的Φ-OTDR分布式光纤扰动传感系统模式识别研究[D].北京交通大学.2019
[4].罗微.基于图像多特征模式识别的木材分类分选算法研究[D].东北林业大学.2019
[5].郑利浩,张宏宽.激光雷达图像分类的模式识别研究[J].激光杂志.2019
[6].李静森.基于仿生模式识别的构造型神经网络分类方法分析[J].电子技术与软件工程.2018
[7].孙晗.基于模式识别技术的立体足迹步态特征提取与分类[D].中国人民公安大学.2018
[8].仝政霖.基于深度学习的阿兹海默症基因表达模式识别与样本分类[D].东南大学.2018
[9].陈飞.基于微量组分的白酒基酒分类鉴别与模式识别研究[D].重庆大学.2018
[10].刘勇.基于随机森林分类器的Φ-OTDR传感系统模式识别研究[D].北京交通大学.2018