基于深度学习和手工设计特征融合的翻唱歌曲识别模型

在翻唱歌曲识别中,手工设计的特征虽然具有高可定制性,但其采用的浅层线性结构难以表现音乐的非线性长效结构,而采用基于深度学习的特征提取算法分析音乐的非线性动力学特性可以弥补这一缺陷。本文在研究两者互补性的基础上,提出了一种融合手工特征和深度特征的翻唱歌曲识别算法。该算法分别采用深度学习模型和手工设计算法提取歌曲的音级轮廓特征和旋律特征,然后将基于这两种特征的相似度组合成相似度向量输入到改进的SVM模型中,并将输入歌曲属于翻唱组合的概率作为融合相似度。为了验证算法性能,以两个公开的数据库（covers80,covers1212）作为测试对象进行测试,实验结果表明该算法比基于单个特征的算法和基于相似度融合的算法取得了更高的识别率和分类准确率。     

面向翻唱歌曲识别的相似度融合算法

提出了一种面向翻唱歌曲识别的相似度融合算法。该算法将基于乐理特征的相似度和基于人耳感知特性的相似度融合,通过把基于节拍跟踪和瞬时频率音级轮廓（IF-PCP）的最大互相关相似度、基于和声音级轮廓（HPCP）的Q_max相似度、基于耳蜗音级轮廓（CPCP）的Q_max相似度映射到同一个多维空间,并计算其几何距离来进行相似度融合。该算法使得IF-PCP特征的节拍速度不变性、HPCP特征的和声优势、CPCP特征的人耳感知特性有效融合。为了验证算法的有效性,采用包含212首不同歌曲共502个版本的数据库作为测试对象,以平均正确率均值和TOP-N作为测试指标对算法性能进行测试。测试结果表明,与基于单一相似度算法相比,该融合算法可提高翻唱歌曲识别准确率。     

基于双目视觉的移动机器人动态目标识别与定位

提出了一种双目移动机器人实时动态目标识别与定位方法。该算法首先采用SIFT(Scale Invariant Features Transforms)算法提取目标特征,并结合双目视差特征进行目标匹配;然后通过区域增长方法进行目标区域的提取;最后结合双目视觉标定的模型对目标进行定位。实验结果表明：该方法在摄像机运动目标运动情况下,能对局部特征未知或特征不明显的动态目标进行有效的识别与定位。     

基于多分类器的牌照字符识别算法

通过对牌照特征及已有识别算法进行分析,提出了基于多分类器模板匹配与支持向量机相结合的牌照字符识别算法。首先利用模板匹配进行粗分类,将多类问题转化成两类问题,再利用支持向量机进行精确分类。在模板匹配环节,使用灰度分布标准化,增加字符与模板的相似度。在Virtual Studio环境下进行测试,结果表明：与单一分类器相比较,该方法的识别精度与识别速度都有了很大的提高。     

一种基于二维匹配滤波器的掌纹识别算法

在掌纹识别算法中,基于Gabor滤波器和方向编码方法得到了广泛的研究和应用,但是此类方法一般使用Gabor滤波器提取特征,易受噪声和散焦等外界因素的影响。针对此问题,本文提出了一种基于匹配滤波器的算法。该算法使用二维匹配滤波器提取图像特征,采用双方向编码（DOC）匹配方法表征特征之间的相似度。实验结果表明,该算法对于噪声、散焦和平移等干扰都具有很好的鲁棒性,验证了该算法的可行性。     

基于模糊聚类优化的序列图像快速分形压缩

针对传统序列图像分形压缩算法编码时间过长的问题,提出了一种基于模糊聚类优化(OFC)的快速算法,它是一种基于单帧的序列图像帧间分形压缩算法。首先使用LBG(Linde-Buzo-Gray)方法对序列图像组成的搜索空间样本集进行初始化,然后将OFC方法应用于对样本集的软分类,匹配时通过用类内搜索取代全局搜索,将分形编码过程聚焦在最有效的局部范围内,从而减少了匹配次数,降低编码时间。由于OFC算法是一种软分类方法,样本集类别数的确定即最终聚类方案是取样本集所有可能的分割中对应于目标函数最小者的分割,所以它不但是基于全局最优的聚类方法,避免了基于局部最优LBG算法中的某些误判,而且有效抑制了传统硬分类方法中类别数需预先指定的人为干扰因素,使恢复图像的质量能够得到更有效保证。相同运算环境下的仿真实验结果说明,在不影响信噪比和压缩比的前提下,与传统序列图像分形压缩算法相比,OFC算法编码速度可提高约5倍,证明了本算法的优越性。     

基于Gammachirp耳蜗能量谱特征提取的音频指纹算法

提出了基于Gammachirp耳蜗能量谱的音频时频域特征表示方法,并在此基础上进一步构造了一种音频指纹算法。首先利用非负矩阵分解(Non-negative Matrix Factorization, NMF)提取Gammachirp耳蜗能量谱的局部特征,然后对该局部特征进行差分和量化,以提高算法的鲁棒性,并降低检索的计算复杂度。实验结果表明:在经受音频编辑软件多种攻击和实际环境中录音检索时,本文算法都具有很好的鲁棒性和识别率。     

基于模糊聚类优化的序列图像快速分形压缩

针对传统序列图像分形压缩算法编码时间过长的问题，提出了一种基于模糊聚类优化(OFC)的快速算法，它是一种基于单帧的序列图像帧间分形压缩算法。首先使用LBG(Linde-Buzo-Gray)方法对序列图像组成的搜索空间样本集进行初始化，然后将OFC方法应用于对样本集的软分类，匹配时通过用类内搜索取代全局搜索，将分形编码过程聚焦在最有效的局部范围内，从而减少了匹配次数，降低编码时间。由于OFC算法是一种软分类方法，样本集类别数的确定即最终聚类方案是取样本集所有可能的分割中对应于目标函数最小的分割，所以它不但是基于全局最优的聚类方法，避免了基于局部最优LBG算法中的某些误判，而且有效抑制了传统硬分类方法中类别数需预先指定的人为干扰因素，使恢复图像的质量能够得到更有效保证。相同运算环境下的仿真实验结果说明，在不影响信噪比和压缩比的前提下，与传统序列图像分形压缩算法相比，OFC算法编码速度可提高约5倍，证明了本算法的优越性。     

用于异常检测的单级免疫学习算法

基于对多级免疫学习算法(M ILA)的批评性研究,提出了单级免疫学习算法(SILA)。该算法适用于低维度特征量的异常检测,提高了探测器训练的效率和效益,而且对M ackey-G lass时间序列数据的检测取得了很好的实验结果。     

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。     

七叶皂苷钠对单侧输尿管梗阻后小鼠肾积水损伤的保护作用

目的：探讨七叶皂苷钠对小鼠单侧输尿管梗阻（unilateral ureteral obstruction,UUO）后肾积水损伤的改善及保护作用。方法：随机挑选24只健康雄性8周龄WTC57BL/6小鼠，将其分为假手术组（Sham组）、模型组（单侧输尿管梗阻组，UUO组）和七叶皂苷钠用药组（UUO+七叶皂苷钠组），每组8只。UUO模型为肾积水研究最常用模型，采取腰部切口并丝线结扎一侧输尿管（结扎单侧输尿管，并切除对侧肾脏，以确保单侧出现肾积水，并排除对侧肾脏正常代偿的影响），构建单侧输尿管梗阻小鼠肾积水模型，对各组进行相应处理后，全自动生化分析仪检测血清肌酐（serum creatinine,Scr）、尿素氮（blood urea nitrogen,BUN）水平；试剂盒检测肿瘤坏死因子-α(tumor necrosis factor-α,TNF-α)、白细胞介素-1β(interleukin-1β,IL-1β)、超氧化物歧化酶（superoxide dismutase,SOD）、丙二醛（malondialdehyde,MDA）含量；制备组织病理切片并行HE染色，光镜下观察肾组织病理学改变...     

二型模糊理论在乙烯裂解炉过程监控中的应用

利用区间二型模糊C 均值聚类的方法,将过程数据进行聚类,并且聚类过程采用自适应的方法选择聚类数,由此区别不同的工况;利用局部切空间排列算法(LTSA)分别对聚类之后的每一类数据进行降维处理,然后利用每一类降维后的数据,使用支持向量数据描述(SVDD)的方法构建多个模型,并建立相应的统计量与统计限,完成离线建模过程。在线监控过程中首先判断过程数据属于哪一种工况,然后利用相应的模型来计算统计量并判断是否故障,利用乙烯裂解炉的过程数据进行了仿真研究,验证了方法的可行性。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机（KEML）的软测量建模方法,将支持向量机（SVM）中核函数的思想运用到极限学习机（EML）中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法（BA）易陷入局部极小的缺点,提出了两点改进：（1）在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;（2）将差分进化算法（DE）中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统（ICS）入侵检测中支持向量机（SVM）分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法（PSO）和遗传算法（GA）等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

基于寄生行为的双种群萤火虫算法及其在柴油调合中的应用

在实际的化工过程中会遇到许多非线性优化问题。常规群智能优化算法在解决这类问题时,常出现收敛精度差和容易陷入局部最优,本文针对此提出了一种基于寄生行为的双种群萤火虫算法（FAPB）。该算法将进化种群均分为两个种群,通过生物的寄生行为将两个种群联系起来,共享进化信息,提高了全局搜索能力;为防止算法陷入局部最优,引入基于自适应系数的高斯变异机制,提高了局部搜索能力。对4个经典测试函数进行仿真,结果表明：与标准FA算法、FALS算法、LDPSO算法比较,FAPB算法在收敛精度和全局搜索能力上都有较大提升。将该算法应用于柴油调合过程,结果验证了其在实际应用中的可行性。     

良性前列腺增生患者前列腺体积与临床症状参数的相关性研究

目的对有下泌尿道症状并诊断为良性前列腺增生之患者,探讨前列腺体积参数与临床症状参数之间的相关性分析。方法 54名有BPH临床症状初诊患者参与此项研究。首先利用经直肠超声波(TRUS)测量出前列腺总体积(TPV)、移行区体积(TZV),并计算出移行区指数(TZI),并且与年龄(Age)、美国泌尿科医学会前列腺症状评分(AUASI)、最大尿流速(Qmax)进行相关性研究之统计分析。结果 1)年龄与TPV、TZV、TZI、AUASI及Qmax无显著相关性(r=0.004,0.165,0.263、0.014,-0.108;P>0.05)。2)Qmax与TPV、TZV、TZI相关性研究Qmax与TPV有显著相关性(r=-0.320,P<0.05);与TZV、TZI有非常显著相关性(r=-0.440,P<0.01;r=-0.414,P<0.01)。3)AUASI与TPV、TZV、TZI相关性研究AUASI评分与TPV、TZV无显著相关性(r=0.248,0.268,P>0.05)。而AUASI与TZI有显著相关性(r=0.294,P<0.05)。结论对于良性前列腺增生患者临床梗阻症状之评估及是否要接受药物或者手术治疗时,TZI、Qmax、AUASI可以当作一个很好的指标。