CN111401440A - 目标分类识别方法、装置、计算机设备及存储介质 - Google Patents
目标分类识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111401440A CN111401440A CN202010177845.3A CN202010177845A CN111401440A CN 111401440 A CN111401440 A CN 111401440A CN 202010177845 A CN202010177845 A CN 202010177845A CN 111401440 A CN111401440 A CN 111401440A
- Authority
- CN
- China
- Prior art keywords
- data
- measurement model
- modal data
- target
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本方案涉及一种目标分类识别方法。所述方法包括:获取目标物的多模态数据,并对多模态数据进行数据预处理,得到目标物的标准多模态数据;将标准多模态数据输入至测量模型中,通过测量模型提取标准多模态数据的特征向量;根据特征向量以及标准多模态数据,通过测量模型中的回归分类器对目标物进行分类识别处理,得到目标分类识别结果。由于获取的是目标物的多模态数据,且对多模态数据进行了数据预处理,通过测量模型中的回归分类器对目标物进行分类识别处理,可以提高目标识别的精确度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种目标分类识别方法、装置、计 算机设备及存储介质。
背景技术
随着计算机技术的发展,机器学习、数据处理等技术也越来越普遍。其中, 深度学习是机器学习领域中非常火的研究热点,深度学习主要针对多模态数据, 因为受到数据模态个数、数据的特征属性以及特征之间的相关性的限制,所以数 据如何表示一直是机器学习的重点和难点问题之一。学习效果也会因数据表示效 果的不同受很大影响。现有的解决方式一般是提取特征,用统一的矢量形式表示 其所有数据。深度学习中的目标分类识别是机器学习领域非常常见的一类问题, 例如,图像识别、语音识别、文字识别等,一个人可以通过基于人脸、指纹、签 名或虹膜来进行识别。现有的分类识别主要是通过普遍的深度学习算法来进行的, 具有代表性的深度学习方法有:协同训练算法、多核学习算法、子空间学习算法。
然而,传统的分类识别方法存在目标识别不精确的问题。
发明内容
基于此,为了解决上述技术问题,提供一种目标分类识别方法、装置、计算 机设备及存储介质,可以提高目标分类识别的精度。
一种目标分类识别方法,所述方法包括:
获取目标物的多模态数据,并对所述多模态数据进行数据预处理,得到所述 目标物的标准多模态数据;
将所述标准多模态数据输入至测量模型中,通过所述测量模型提取所述标准 多模态数据的特征向量;
根据所述特征向量以及所述标准多模态数据,通过所述测量模型中的回归分 类器对所述目标物进行分类识别处理,得到目标分类识别结果。
在其中一个实施例中,所述方法还包括:
获取初始测量模型;
所述初始测量模型通过无监督学习获得初始参数;
使用反向传播算法对所述初始测量模型中的初始参数进行调整,得到所述测 量模型。
在其中一个实施例中,所述对所述多模态数据进行数据预处理,得到所述目 标物的标准多模态数据,包括:
获取初始数据处理范围;
根据所述目标物调整所述初始数据处理范围,得到目标数据处理范围;
根据所述目标数据处理范围,对所述多模态数据中的异常数据进行清除,得 到所述目标物的标准多模态数据。
在其中一个实施例中,所述通过所述测量模型中的回归分类器对所述目标物 进行分类识别处理,得到目标分类识别结果,包括:
所述回归分类器通过受限玻尔兹曼机算法进行学习,并更新所述受限玻尔兹 曼机算法的权重,得到所述受限玻尔兹曼机算法的权重更新公式;
根据所述权重更新公式得到目标受限玻尔兹曼机算法;
根据所述目标受限玻尔兹曼机算法,将所述标准多模态数据映射至所述测量 模型中,通过所述测量模型对所述目标物进行分类识别处理,得到目标分类识别 结果。
在其中一个实施例中,所述回归分类器通过受限玻尔兹曼机算法进行学习, 并更新所述受限玻尔兹曼机算法的权重,得到所述受限玻尔兹曼机算法的权重更 新公式,包括:
定义所述受限玻尔兹曼机算法的能量函数;
通过最大似然法对所述能量函数进行处理,得到对数似然函数;
根据所述对数似然函数得到学习率,所述回归分类器根据所述学习率学习;
通过梯度下降法对所述对数似然函数进行处理,得到所述受限玻尔兹曼机算 法的权重更新公式。
在其中一个实施例中,所述测量模型的训练过程包括:
获取样本数据,并将所述样本数据输入至深度神经网络中,通过所述深度神 经网络的第一层编码器得到的第一隐层状态;
使用贪婪算法对所述深度神经网络中的隐层进行逐层初始化,得到各个隐层 的隐层状态;
根据各个隐层的所述隐层状态,通过BP算法调整所述深度神经网络的全局 最优权重向量;
根据所述全局最优权重向量,通过SoftMax回归成本函数来训练所述测量模 型的参数。
一种目标分类识别装置,所述装置包括:
数据获取模块,用于获取目标物的多模态数据,并对所述多模态数据进行数 据预处理,得到所述目标物的标准多模态数据;
特征向量提取模块,用于将所述标准多模态数据输入至测量模型中,通过所 述测量模型提取所述标准多模态数据的特征向量;
分类识别模块,用于根据所述特征向量以及所述标准多模态数据,通过所述 测量模型中的回归分类器对所述目标物进行分类识别处理,得到目标分类识别结 果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所 述处理器执行所述计算机程序时实现以下步骤:
获取目标物的多模态数据,并对所述多模态数据进行数据预处理,得到所述 目标物的标准多模态数据;
将所述标准多模态数据输入至测量模型中,通过所述测量模型提取所述标准 多模态数据的特征向量;
根据所述特征向量以及所述标准多模态数据,通过所述测量模型中的回归分 类器对所述目标物进行分类识别处理,得到目标分类识别结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理 器执行时实现以下步骤:
获取目标物的多模态数据,并对所述多模态数据进行数据预处理,得到所述 目标物的标准多模态数据;
将所述标准多模态数据输入至测量模型中,通过所述测量模型提取所述标准 多模态数据的特征向量;
根据所述特征向量以及所述标准多模态数据,通过所述测量模型中的回归分 类器对所述目标物进行分类识别处理,得到目标分类识别结果。
上述目标分类识别方法、装置、计算机设备及存储介质,通过获取目标物的 多模态数据,并对多模态数据进行数据预处理,得到目标物的标准多模态数据; 将标准多模态数据输入至测量模型中,通过测量模型提取标准多模态数据的特征 向量;根据特征向量以及标准多模态数据,通过测量模型中的回归分类器对目标 物进行分类识别处理,得到目标分类识别结果。由于获取的是目标物的多模态数 据,且对多模态数据进行了数据预处理,通过测量模型中的回归分类器对目标物 进行分类识别处理,可以提高目标识别的精确度。
附图说明
图1为一个实施例中目标分类识别方法的应用环境图;
图2为一个实施例中目标分类识别方法的流程示意图;
图3为一个实施例中利用多模态数据进行目标分类识别的示意图;
图4为一个实施例中目标分类识别方法中机器学习的示意图;
图5为实验中各个模型的识别性能比较的曲线图;
图6为实验中测量模型在对不同类型距离信号和不同信噪比情况下的识别性 能比较的曲线图;
图7为图6中-20dB到-10dB信噪比范围的部分放大图;
图8为一个实施例中数据传输系统的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施 例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以 解释本申请,并不用于限定本申请。
本申请实施例提供的目标分类识别方法,可以应用于如图1所示的应用环境 中。如图1所示,该应用环境包括计算机设备110。计算机设备110可以获取目 标物的多模态数据,并对多模态数据进行数据预处理,得到目标物的标准多模态 数据;计算机设备110可以将标准多模态数据输入至测量模型中,通过测量模型 提取标准多模态数据的特征向量;计算机设备110可以根据特征向量以及标准多 模态数据,通过测量模型中的回归分类器对目标物进行分类识别处理,得到目标 分类识别结果。其中,计算机设备110可以但不限于是各种个人计算机、笔记本 电脑、智能手机、平板电脑和便携式可穿戴设备等。
在一个实施例中,如图2所示,提供了一种目标分类识别方法,包括以下步 骤:
步骤202,获取目标物的多模态数据,并对多模态数据进行数据预处理,得 到目标物的标准多模态数据。
数据是人工智能的基础,不同行业领域的数据来源广泛、形式多样,其中, 每一种数据的来源或形式都可以看作是一种模态,例如视频、图片、语音以及工 业场景下的传感数据、红外、声谱等。目标物的多模态数据可以用于表示从不同 来源或者不同形式采集的目标物的数据,例如目标物的图像、视频、三维形状等 数据。其中,多模态数据的语义理解与知识表示可以使得人工智能更深入地感知、 理解真实的数据场景,更能进一步对所感知的知识进行推理。
数据预处理可以用于表示在主要的处理以前对数据进行的一些处理。数据预 处理可以将数据中的一些噪音去除,从而得到较为准确的数据。
计算机设备可以摄像头或者其他设备采集到目标物的多模态数据,从而对目 标物的多模态数据进行数据预处理,得到目标物的标准多模态数据。
步骤204,将标准多模态数据输入至测量模型中,通过测量模型提取标准多 模态数据的特征向量。
测量模型可以是预先设置好的一种通用的深度受限机器学习方法的距离测 量模型,测量模型可以用于远距离信号的特征提取和分类识别。计算机设备将标 准多模态数据输入至测量模型中后,可以通过测量模型提取出标准多模态数据的 特征向量。具体的,可以将基于机器学习的测量模型深度网络提取的预处理的距 离目标深度神经网络作为距离信号目标的特征向量。
步骤206,根据特征向量以及标准多模态数据,通过测量模型中的回归分类 器对目标物进行分类识别处理,得到目标分类识别结果。
提取出标准多模态数据的特征向量后,计算机设备可以根据特征向量以及标 准多模态数据,将深度神经网络与多种距离的信号目标识别相结合,利用回归分 类器用在特征向量形成的低维特征空间实现目标分类识别,并输出目标分类识别 结果。其中,回归分类器可以是SoftMax回归分类器。
在本实施例中,计算机设备通过获取目标物的多模态数据,并对多模态数据 进行数据预处理,得到目标物的标准多模态数据;将标准多模态数据输入至测量 模型中,通过测量模型提取标准多模态数据的特征向量;根据特征向量以及标准 多模态数据,通过测量模型中的回归分类器对目标物进行分类识别处理,得到目 标分类识别结果。由于获取的是目标物的多模态数据,且对多模态数据进行了数 据预处理,通过测量模型中的回归分类器对目标物进行分类识别处理,可以提高 目标识别的精确度。
如图3所示,在一个实施例中,计算机设备获取到多模态数据后,可以根据 多模态数据的类型将多模态数据存储至语音信号数据库或者EEG信号数据库中。 计算机设备可以对语音信号数据库、EEG信号数据库中的多模态数据进行数据预 处理,并得到语音相关特征和语音无关特征的混合特征集,再通过基于混合 FCN-GA-NN模型的分类,将两个分类结果进行决策级融合,从而得到状态识别。 其中,基于混合FCN-GA-NN模型可以用于表示FCN模型、GA模型、NN模型的结 合。
在本实施例中,多模态数据融合主要有三种融合方式:前端融合或数据水平 融合、后端融合或决策融合和中间融合。前端融合将多个独立的数据集融合成一 个单一的特征向量,然后输入到机器学习分类器中。多模态前端融合方法常常与 特征提取方法相结合以剔除冗余信息,如主成分分析、最大相关最小冗余算法、 自动解码器等。
中间融合是指将不同的模态数据先转化为高维特征表达,再于模型的中间层 进行融合。以神经网络为例,中间融合首先利用神经网络将原始数据转化成高维 特征表达,然后获取不同模态数据在高维空间上的共性。中间融合方法的一大优 势是可以灵活的选择融合的位置。
后端融合或决策融合是将不同模态数据分别训练好的分类器输出决策进行 融合。融合模型的错误来自不同的分类器,而来自不同分类器的错误往往互不相 关、互不影响,不会造成错误的进一步累加。常见的后端融合方式包括最大值融 合、平均值融合、贝叶斯规则融合以及集成学习等。在本实施例中,可以采用后 端融合或决策融合来进行多模态数据的融合。
在一个实施例中,提供的一种目标分类识别方法还可以包括得到测量模型的 过程,具体过程包括:获取初始测量模型;初始测量模型通过无监督学习获得初 始参数;使用反向传播算法对初始测量模型中的初始参数进行调整,得到测量模 型。
初始测量模型可以用于表示没有调整参数的原始模型。无监督学习可以用于 表示根据没有被标记的训练样本解决模式识别中的各种问题。反向传播算法即 BP算法,是适于多层神经元网络的一种学习算法,建立在梯度下降法的基础上。
计算机设备可以获取初始测量模型,初始测量模型可以通过逐层无监督学习 获得初始参数。计算机设备可以使用反向传播算法对整个初始测量模型进行有监 督初始参数的调整,从而得到测量模型。
在一个实施例中,提供的一种目标分类识别方法还可以包括得到目标物的标 准多模态数据的过程,具体过程包括:获取初始数据处理范围;根据目标物调整 初始数据处理范围,得到目标数据处理范围;根据目标数据处理范围,对多模态 数据中的异常数据进行清除,得到目标物的标准多模态数据。
初始数据处理范围可以是随机的一个数据处理范围,计算机设备在获取到初 始数据处理范围后,可以根据目标物调整初始数据处理范围,得到目标数据处理 范围。计算机设备调整初始数据处理范围可以增强目标物对应数据的可分辨性。 计算机设备可以根据目标数据处理范围对多模态数据中的异常数据进行清除,其 中,异常数据可以用于表示噪声数据。计算机设备去除多模态数据中的异常数据 后,可以得到目标物的标准多模态数据。
在一个实施例中,提供的一种目标分类识别方法还可以包括得到目标分类识 别结果的过程,具体过程包括:回归分类器通过受限玻尔兹曼机算法进行学习, 并更新受限玻尔兹曼机算法的权重,得到受限玻尔兹曼机算法的权重更新公式; 根据权重更新公式得到目标受限玻尔兹曼机算法;根据目标受限玻尔兹曼机算法, 将标准多模态数据映射至测量模型中,通过测量模型对所述目标物进行分类识别 处理,得到目标分类识别结果。
受限玻尔兹曼机算法RBM(Restricted Boltzmann Machine)是一种可以通 过输入数据集学习概率分布的随机生成神经网络。回归分类器可以通过受限玻尔 兹曼机算法进行学习,具体的,在RBM模型中,给定可见层(v),所有隐藏节点 的成立条件就是独立,即p(h|v)=p(h1|v),p(hn|v)。其中每个回归分类器 对每个视图进行分类,回归分类器需要的值使用视图中的特征,通过最大化两个 回归分类器在标签数据集上的预测一致性和最小化两个分类器在未标记数据集 上的预测不一致性的方法,使回归分类器彼此学习并达到最优解。由于受限玻尔 兹曼机的预训练过程与维数无关,所以可以用RBM模型映射数据。
回归分类器可以通过受限玻尔兹曼机算法进行学习,并得到受限玻尔兹曼机 算法的权重更新公式。计算机设备可以根据权重更新公式得到目标受限玻尔兹曼 机算法,进而将标准多模态数据映射至测量模型中,通过测量模型对所述目标物 进行分类识别处理,得到目标分类识别结果。
在一个实施例中,提供的一种目标分类识别方法还可以包括得到受限玻尔兹 曼机算法的权重更新公式的过程,具体过程包括:定义受限玻尔兹曼机算法的能 量函数;通过最大似然法对能量函数进行处理,得到对数似然函数;根据对数似 然函数得到学习率,回归分类器根据学习率学习;通过梯度下降法对对数似然函 数进行处理,得到受限玻尔兹曼机算法的权重更新公式。
其中,能量函数是反映系统稳定程度的参考指标,能量函数值越小,系统趋 于稳定。最大似然法是求估计的另一种方法。似然函数是一种关于统计模型参数 的函数。梯度下降法是迭代法的一种,可以用于求解最小二乘问题,在求解机器 学习算法的模型参数,即无约束优化问题时,梯度下降法是最常采用的方法之一。 在求解损失函数的最小值时,可以通过梯度下降法来一步步的迭代求解,得到最 小化的损失函数和模型参数值。
计算机设备可以定义受限玻尔兹曼机算法的能量函数,然后通过最大似然法 对能量函数进行处理,得到对数似然函数。计算机设备可以根据对数似然函数得 到学习率,回归分类器根据学习率学习,从而通过梯度下降法对对数似然函数进 行处理,得到受限玻尔兹曼机算法的权重更新公式。
具体的,能量函数可以定义为:通 过使用最大似然法对能量函数进行最大化,可以得到对数似然函数,对数似然函 数的表达式可以是:其中,θ={wij,ai,bj}。接着,可 以使用梯度下降算法导出权重更新公式为:Δwij=ε(<vihj>data-<vihj>model), Δai=ε(<vi>data-<vi>model),Δbj=ε(<hj>data-<hj>model)。其中,ε表示学习率,<>data表示数据的平均值,<>model表示模型的期望值。受限玻尔兹曼机算法可以分为两 部分:第一部分为寻找一个共享潜在特征空间,根据多视角观测空间的数据对对 其进行标记,从而建立数据之间的关系;第二部分为了解输入空间和未标记空间, 测试数据的共享势空间之间的关系。其中,第一部分是要保证全局一致性,因为 它考虑了每个视角中包含的物体和来自不同视角的数据之间的通信;第二部分是 要保证局部平滑性,它允许每个实例有自己的特定距离度量,而不是对所有实例 应用统一度量。受限玻尔兹曼机算法的两个部分可以表示为凸优化问题,并且可 以有效地求解。
在一个实施例中,提供的一种目标分类识别方法中,测量模型中可以使用机 器学习算法进行分析计算。具体的分析过程如下:
首先计算样本数据的协方差矩阵∑=(sij)pxp,其中,原变量的主组成成分Fi是Fi=ai′X, 用来反映信息量的主要组成的方差贡献率αi是 其中,因此, A=U*S*V′,其中,S=diag(σ1,σ2,...,σr),σi>0(i=1,...,r),r=rank(A)。设 A为m*n阶实矩阵,则有m阶U蒸饺矩阵和n阶V正交矩阵,即A=U*S*V′, 这里S=diag(σ1,σ2,...,σr),σi>0(i=1,...,r),r=rank(A),A是奇异值分解提供了关于A的一些信息。例如非零奇异 值的个数(S的阶数)与A的秩相同,一旦确定秩R,U的第一R列构成A的正 列向量空间,V的从右到左的列是A的内核的基。A的奇异值分解为:矩阵A的秩k近似定义为:
在一个实施例中,提供的一种目标分类识别方法还可以包括测量模型的训练 过程,具体过程包括:获取样本数据,并将样本数据输入至深度神经网络中,通 过深度神经网络的第一层编码器得到的第一隐层状态;使用贪婪算法对深度神经 网络中的隐层进行逐层初始化,得到各个隐层的隐层状态;根据各个隐层的隐层 状态,通过BP算法调整深度神经网络的全局最优权重向量;根据全局最优权重 向量,通过SoftMax回归成本函数来训练测量模型的参数。
测量模型是一种基于深度受限机器学习方法的模型,根据深度神经网络的训 练方法可以训练得到。由于深度学习具有强大的函数表达能力,可以从样本中学 习到多变量函数的性质。首先在测量模型的机器学习方法中,使用多层RBM构成 的多隐藏层深层神经网络对距离目标进行特征提取,将预处理的m、n维样本作 为多层RBM网络的输入数据,第一层编码器得到的第一隐层状态为 在公式中,σ(x)=1/(1+exp(-x)),对由一个隐藏层组成的深层 网络,采用贪婪算法逐层初始化,第i个隐藏层的状态为:最后,通过BP算法调整全 局最优权重向量:
如图4所示,在一个实施例中,提供的一种目标分类识别方法中,考虑到计 算复杂度和硬件条件的限制,基于机器学习的测量模型一般由三层组成,即数据 输入层、三个隐藏层和SoftMax输出层。其中,三层RBM隐藏层网络的神经元数 量分别为1000、500和100个。若测试的距离信号类数为8,那么SoftMax输出 层网络中的神经元数为8。具体的算法流程由如图4所示,主要分为预处理、学 习、评估和预测这几个过程。预处理阶段中,可以对数据进行特征提取和缩放、 特征选择、降维和抽样等处理,将数据分为训练数据集和测试数据集。在使用机 器学习算法进行学习时,可以包括模型选择、交叉验证、性能指标选择、参数优 化等过程。
应该理解的是,虽然上述各个流程图中的各个步骤按照箭头的指示依次显示, 但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说 明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。 而且,上述各个流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段, 这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执 行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤 或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,对提供的一种目标分类识别方法进行了实验,实验分析及 实验结果如下:分别使用-20dB、-15dB、-10dB、-5dB、0dB、5dB、10dB和15dB 的信噪比信号作为八种距离信号。测量模型采用500个样本作为训练集,其余 100个样本作为测量模型的测试集。同时,采用基于双谱二次特征的方法(BCF)、 基于粗糙集理论的雷达通用测距方法(RS)、识别算法(TFAF)进行对比实验。 定义雷达测距的总识别准确率为:定义单个雷达距离识 别的精度为:其中,Pr为总识别率,为Ⅰ型信号识别率, 为Ⅰ型雷达距离识别正确数,Ni为Ⅰ型雷达距离识别的总数。如图5所示, 图5为RBM模型与BCF、RS和TFAF模型的识别性能比较。信噪比大于5dB时,各模型的识别性能差不多,RBM模型的识别性能最好;当信噪比逐渐降低到-10dB 时,BCF、RS和TFAF模型的识别性能下降,BCF、RS和TFAF模型识别准确率下 降,其中RS和TFAF模型的识别准确率下降明显,但RBM模型仍保持较高的识别 率;当信噪比降至-10dB以下时,RBM模型的识别率虽有所下降,但仍明显高于 其他三种模型。由于RBM模型采用了一种基于多隐藏层RBM的深层神经网络来解 析和提取距离信号特征,所以保留了原始数据的基本特征,因此,该RBM模型的 识别率高于其他三种模型,且受噪声扰动的影响较小,具有很强的鲁棒性。
如图6所示,图6表示了基于机器学习方法的测量模型在对不同类型距离信 号和不同信噪比情况下的识别性能比较。数据分析的基本操作有数据清理、特征 创建、数据转换等,Pandas对于数据分析中十分重要,可以满足开发需要。它 构建的数值计算库Numpy,用来专门解决数据分析的问题。在实际的应用程序中, 常常需要遍历数组或列表的子集。这些数组可以是一维的,也可以是多维的。在 迭代过程中,当前元素或子元素集可以在任何地方作为参数传递。本方案使用了 一个并行数据处理的解决方案,加快了数据处理的速度,提高了数据分析过程在 实际运算中的效率。如图6所示,横坐标是数据量的大小,纵坐标是运行时间。 在数值计算过程中,通过调用相应的子函数,且使用map partition+apply调用, 这种通过混合数值计算创建新特征值的方法对矩阵运算速度提高非常有效。
如图7所示,图7是图6-20dB到-10dB信噪比范围的部分放大图。信噪比 为-15dB和-20dB时,不同距离的识别结果和混淆矩阵见表1和表2,其中,表1 为信噪比为1-15dB测试集下的混淆矩阵;表2为信噪比为-20dB测试集的混淆 矩阵。
表1
CW | PSK | DPSK | FSK | Simple pulse | LFM | NLFM | Phase coding | |
CW | 99 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
PSK | 1 | 99 | 1 | 1 | 1 | 1 | 1 | 1 |
DPSK | 1 | 1 | 99 | 1 | 1 | 1 | 1 | 1 |
FSK | 1 | 1 | 1 | 99 | 1 | 1 | 1 | 1 |
Simple pulse | 1 | 1 | 1 | 3 | 83 | 5 | 3 | 3 |
LFM | 1 | 1 | 1 | 1 | 3 | 91 | 3 | 2 |
NLFM | 1 | 1 | 3 | 1 | 3 | 3 | 87 | 1 |
Phase coding | 1 | 1 | 1 | 1 | 1 | 2 | 3 | 93 |
表2
CW | PSK | DPSK | FSK | Simple pulse | LFM | NLFM | Phase coding | |
CW | 74 | 9 | 6 | 1 | 4 | 6 | 7 | 6 |
PSK | 0 | 77 | 1 | 0 | 10 | 4 | 6 | 4 |
DPSK | 1 | 1 | 75 | 6 | 9 | 6 | 4 | 4 |
FSK | 6 | 6 | 6 | 71 | 10 | 0 | 7 | 0 |
Simple pulse | 6 | 7 | 6 | 6 | 49 | 7 | 41 | 6 |
LFM | 4 | 5 | 6 | 7 | 64 | 17 | 44 | 6 |
NLFM | 6 | 7 | 7 | 5 | 41 | 5 | 44 | 7 |
Phase coding | 0 | 10 | 6 | 6 | 15 | 5 | 16 | 45 |
由表1和表2可以看出,当信噪比为-15dB时,简单脉冲信号、LFM信号、 NLFM信号和相位编码信号之间存在一定的误识别率。这是因为噪声会对脉冲信 号的调制有一定的影响。当信噪比为-20dB时,由于简单脉冲信号的调制特性不 明显,并且在噪声的影响下很难与其他类型的距离区分开,所以在简单脉冲信号 下每种距离类型都有特定的误辨识率。PSK信号被识别为NLFM信号和相位编码 信号的概率,FSK信号被识别为PSK信号和NLFM信号的概率,相位编码信号被 识别为PSK和NLFM信号的概率很高,因为信号的调制方式相似。
在一个实施例中,如图8所示,提供了一种目标分类识别装置,包括:数据 获取模块810、特征向量提取模块820和分类识别模块830,其中:
数据获取模块810,用于获取目标物的多模态数据,并对多模态数据进行数 据预处理,得到目标物的标准多模态数据。
特征向量提取模块820,用于将标准多模态数据输入至测量模型中,通过测 量模型提取标准多模态数据的特征向量。
分类识别模块830,用于根据特征向量以及标准多模态数据,通过测量模型 中的回归分类器对目标物进行分类识别处理,得到目标分类识别结果。
在一个实施例中,提供的一种目标分类识别装置还包括:模型获取模块、参 数获取模块以及参数调整模块,其中:
模型获取模块,用于获取初始测量模型。
参数获取模块,用于初始测量模型通过无监督学习获得初始参数。
参数调整模块,用于使用反向传播算法对初始测量模型中的初始参数进行调 整,得到测量模型。
在一个实施例中,数据获取模块810还用于获取初始数据处理范围;根据目 标物调整初始数据处理范围,得到目标数据处理范围;根据目标数据处理范围, 对多模态数据中的异常数据进行清除,得到目标物的标准多模态数据。
在一个实施例中,分类识别模块830还用于回归分类器通过受限玻尔兹曼机 算法进行学习,并更新受限玻尔兹曼机算法的权重,得到受限玻尔兹曼机算法的 权重更新公式;根据权重更新公式得到目标受限玻尔兹曼机算法;根据目标受限 玻尔兹曼机算法,将标准多模态数据映射至测量模型中,通过测量模型对目标物 进行分类识别处理,得到目标分类识别结果。
在一个实施例中,分类识别模块830还用于定义受限玻尔兹曼机算法的能量 函数;通过最大似然法对能量函数进行处理,得到对数似然函数;根据对数似然 函数得到学习率,回归分类器根据学习率学习;通过梯度下降法对对数似然函数 进行处理,得到受限玻尔兹曼机算法的权重更新公式。
在一个实施例中,提供的一种目标分类识别装置还可以包括模型训练模块, 用于获取样本数据,并将样本数据输入至深度神经网络中,通过深度神经网络的 第一层编码器得到的第一隐层状态;使用贪婪算法对深度神经网络中的隐层进行 逐层初始化,得到各个隐层的隐层状态;根据各个隐层的隐层状态,通过BP算 法调整深度神经网络的全局最优权重向量;根据全局最优权重向量,通过SoftMax 回归成本函数来训练测量模型的参数。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内 部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储 器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算 和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易 失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中 的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部 的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标分类识 别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算 机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设 置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的 部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具 体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或 者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中 存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标物的多模态数据,并对多模态数据进行数据预处理,得到目标物的 标准多模态数据;
将标准多模态数据输入至测量模型中,通过测量模型提取标准多模态数据的 特征向量;
根据特征向量以及标准多模态数据,通过测量模型中的回归分类器对目标物 进行分类识别处理,得到目标分类识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始测量 模型;初始测量模型通过无监督学习获得初始参数;使用反向传播算法对初始测 量模型中的初始参数进行调整,得到测量模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始数据 处理范围;根据目标物调整初始数据处理范围,得到目标数据处理范围;根据目 标数据处理范围,对多模态数据中的异常数据进行清除,得到目标物的标准多模 态数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:回归分类器通 过受限玻尔兹曼机算法进行学习,并更新受限玻尔兹曼机算法的权重,得到受限 玻尔兹曼机算法的权重更新公式;根据权重更新公式得到目标受限玻尔兹曼机算 法;根据目标受限玻尔兹曼机算法,将标准多模态数据映射至测量模型中,通过 测量模型对目标物进行分类识别处理,得到目标分类识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:定义受限玻尔 兹曼机算法的能量函数;通过最大似然法对能量函数进行处理,得到对数似然函 数;根据对数似然函数得到学习率,回归分类器根据学习率学习;通过梯度下降 法对对数似然函数进行处理,得到受限玻尔兹曼机算法的权重更新公式。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本数据, 并将样本数据输入至深度神经网络中,通过深度神经网络的第一层编码器得到的 第一隐层状态;使用贪婪算法对深度神经网络中的隐层进行逐层初始化,得到各 个隐层的隐层状态;根据各个隐层的隐层状态,通过BP算法调整深度神经网络 的全局最优权重向量;根据全局最优权重向量,通过SoftMax回归成本函数来训 练测量模型的参数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序, 计算机程序被处理器执行时实现以下步骤:
获取目标物的多模态数据,并对多模态数据进行数据预处理,得到目标物的 标准多模态数据;
将标准多模态数据输入至测量模型中,通过测量模型提取标准多模态数据的 特征向量;
根据特征向量以及标准多模态数据,通过测量模型中的回归分类器对目标物 进行分类识别处理,得到目标分类识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始测 量模型;初始测量模型通过无监督学习获得初始参数;使用反向传播算法对初始 测量模型中的初始参数进行调整,得到测量模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始数 据处理范围;根据目标物调整初始数据处理范围,得到目标数据处理范围;根据 目标数据处理范围,对多模态数据中的异常数据进行清除,得到目标物的标准多 模态数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:回归分类器 通过受限玻尔兹曼机算法进行学习,并更新受限玻尔兹曼机算法的权重,得到受 限玻尔兹曼机算法的权重更新公式;根据权重更新公式得到目标受限玻尔兹曼机 算法;根据目标受限玻尔兹曼机算法,将标准多模态数据映射至测量模型中,通 过测量模型对目标物进行分类识别处理,得到目标分类识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:定义受限玻 尔兹曼机算法的能量函数;通过最大似然法对能量函数进行处理,得到对数似然 函数;根据对数似然函数得到学习率,回归分类器根据学习率学习;通过梯度下 降法对对数似然函数进行处理,得到受限玻尔兹曼机算法的权重更新公式。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本数 据,并将样本数据输入至深度神经网络中,通过深度神经网络的第一层编码器得 到的第一隐层状态;使用贪婪算法对深度神经网络中的隐层进行逐层初始化,得 到各个隐层的隐层状态;根据各个隐层的隐层状态,通过BP算法调整深度神经 网络的全局最优权重向量;根据全局最优权重向量,通过SoftMax回归成本函数 来训练测量模型的参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是 可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非 易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法 的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、 数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失 性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、 电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM) 或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、 增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器 总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实 施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的 组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普 通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进, 这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求 为准。
Claims (10)
1.一种目标分类识别方法,其特征在于,所述方法包括:
获取目标物的多模态数据,并对所述多模态数据进行数据预处理,得到所述目标物的标准多模态数据;
将所述标准多模态数据输入至测量模型中,通过所述测量模型提取所述标准多模态数据的特征向量;
根据所述特征向量以及所述标准多模态数据,通过所述测量模型中的回归分类器对所述目标物进行分类识别处理,得到目标分类识别结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取初始测量模型;
所述初始测量模型通过无监督学习获得初始参数;
使用反向传播算法对所述初始测量模型中的初始参数进行调整,得到所述测量模型。
3.根据权利要求1所述的方法,其特征在于,所述对所述多模态数据进行数据预处理,得到所述目标物的标准多模态数据,包括:
获取初始数据处理范围;
根据所述目标物调整所述初始数据处理范围,得到目标数据处理范围;
根据所述目标数据处理范围,对所述多模态数据中的异常数据进行清除,得到所述目标物的标准多模态数据。
4.根据权利要求1所述的方法,其特征在于,所述通过所述测量模型中的回归分类器对所述目标物进行分类识别处理,得到目标分类识别结果,包括:
所述回归分类器通过受限玻尔兹曼机算法进行学习,并更新所述受限玻尔兹曼机算法的权重,得到所述受限玻尔兹曼机算法的权重更新公式;
根据所述权重更新公式得到目标受限玻尔兹曼机算法;
根据所述目标受限玻尔兹曼机算法,将所述标准多模态数据映射至所述测量模型中,通过所述测量模型对所述目标物进行分类识别处理,得到目标分类识别结果。
5.根据权利要求4所述的方法,其特征在于,所述回归分类器通过受限玻尔兹曼机算法进行学习,并更新所述受限玻尔兹曼机算法的权重,得到所述受限玻尔兹曼机算法的权重更新公式,包括:
定义所述受限玻尔兹曼机算法的能量函数;
通过最大似然法对所述能量函数进行处理,得到对数似然函数;
根据所述对数似然函数得到学习率,所述回归分类器根据所述学习率学习;
通过梯度下降法对所述对数似然函数进行处理,得到所述受限玻尔兹曼机算法的权重更新公式。
6.根据权利要求1所述的方法,其特征在于,所述测量模型的训练过程包括:
获取样本数据,并将所述样本数据输入至深度神经网络中,通过所述深度神经网络的第一层编码器得到的第一隐层状态;
使用贪婪算法对所述深度神经网络中的隐层进行逐层初始化,得到各个隐层的隐层状态;
根据各个隐层的所述隐层状态,通过BP算法调整所述深度神经网络的全局最优权重向量;
根据所述全局最优权重向量,通过SoftMax回归成本函数来训练所述测量模型的参数。
7.一种目标分类识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标物的多模态数据,并对所述多模态数据进行数据预处理,得到所述目标物的标准多模态数据;
特征向量提取模块,用于将所述标准多模态数据输入至测量模型中,通过所述测量模型提取所述标准多模态数据的特征向量;
分类识别模块,用于根据所述特征向量以及所述标准多模态数据,通过所述测量模型中的回归分类器对所述目标物进行分类识别处理,得到目标分类识别结果。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
模型获取模块,用于获取初始测量模型;
参数获取模块,用于所述初始测量模型通过无监督学习获得初始参数;
参数调整模块,用于使用反向传播算法对所述初始测量模型中的初始参数进行调整,得到所述测量模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177845.3A CN111401440B (zh) | 2020-03-13 | 2020-03-13 | 目标分类识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177845.3A CN111401440B (zh) | 2020-03-13 | 2020-03-13 | 目标分类识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401440A true CN111401440A (zh) | 2020-07-10 |
CN111401440B CN111401440B (zh) | 2023-03-31 |
Family
ID=71432495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177845.3A Active CN111401440B (zh) | 2020-03-13 | 2020-03-13 | 目标分类识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401440B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052891A (zh) * | 2020-08-28 | 2020-12-08 | 平安科技(深圳)有限公司 | 机器行为识别方法、装置、设备及计算机可读存储介质 |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227815A (zh) * | 2015-07-22 | 2016-12-14 | Tcl集团股份有限公司 | 一种多模态线索的个性化应用程序功能推荐方法及其系统 |
CN107392233A (zh) * | 2017-06-29 | 2017-11-24 | 大连理工大学 | 基于解析型字典学习的多模态模式分类方法 |
CN107886061A (zh) * | 2017-11-02 | 2018-04-06 | 华南理工大学 | 基于多模态深度玻尔兹曼机的人体行为识别方法及系统 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN108919243A (zh) * | 2018-04-04 | 2018-11-30 | 儒安科技有限公司 | 基于声音多普勒效应的车辆空间位置信息感知方法 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN110162669A (zh) * | 2019-04-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频分类处理方法、装置、计算机设备及存储介质 |
CN110710970A (zh) * | 2019-09-17 | 2020-01-21 | 北京海益同展信息科技有限公司 | 肢体动作的识别方法、装置、计算机设备及存储介质 |
CN110728230A (zh) * | 2019-10-10 | 2020-01-24 | 江南大学 | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 |
CN110738985A (zh) * | 2019-10-16 | 2020-01-31 | 江苏网进科技股份有限公司 | 基于语音信号的跨模态生物特征识别方法及系统 |
CN110781829A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种轻量级深度学习的智慧营业厅人脸识别方法 |
-
2020
- 2020-03-13 CN CN202010177845.3A patent/CN111401440B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227815A (zh) * | 2015-07-22 | 2016-12-14 | Tcl集团股份有限公司 | 一种多模态线索的个性化应用程序功能推荐方法及其系统 |
CN107392233A (zh) * | 2017-06-29 | 2017-11-24 | 大连理工大学 | 基于解析型字典学习的多模态模式分类方法 |
CN107886061A (zh) * | 2017-11-02 | 2018-04-06 | 华南理工大学 | 基于多模态深度玻尔兹曼机的人体行为识别方法及系统 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN108919243A (zh) * | 2018-04-04 | 2018-11-30 | 儒安科技有限公司 | 基于声音多普勒效应的车辆空间位置信息感知方法 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN110162669A (zh) * | 2019-04-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频分类处理方法、装置、计算机设备及存储介质 |
CN110710970A (zh) * | 2019-09-17 | 2020-01-21 | 北京海益同展信息科技有限公司 | 肢体动作的识别方法、装置、计算机设备及存储介质 |
CN110728230A (zh) * | 2019-10-10 | 2020-01-24 | 江南大学 | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 |
CN110738985A (zh) * | 2019-10-16 | 2020-01-31 | 江苏网进科技股份有限公司 | 基于语音信号的跨模态生物特征识别方法及系统 |
CN110781829A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种轻量级深度学习的智慧营业厅人脸识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052891A (zh) * | 2020-08-28 | 2020-12-08 | 平安科技(深圳)有限公司 | 机器行为识别方法、装置、设备及计算机可读存储介质 |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
CN117655118B (zh) * | 2024-01-29 | 2024-04-19 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111401440B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
Gu et al. | Self-organising fuzzy logic classifier | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
Guo et al. | Unsupervised anomaly detection in IoT systems for smart cities | |
Parrish et al. | Classifying with confidence from incomplete information | |
Zhang et al. | Why lottery ticket wins? a theoretical perspective of sample complexity on sparse neural networks | |
Win et al. | Information gain measured feature selection to reduce high dimensional data | |
Laha et al. | Land cover classification using fuzzy rules and aggregation of contextual information through evidence theory | |
Salazar | On Statistical Pattern Recognition in Independent Component Analysis Mixture Modelling | |
CN111401440B (zh) | 目标分类识别方法、装置、计算机设备及存储介质 | |
Zuobin et al. | Feature regrouping for cca-based feature fusion and extraction through normalized cut | |
Fan et al. | Entropy‐based variational Bayes learning framework for data clustering | |
Nishii et al. | Supervised image classification by contextual AdaBoost based on posteriors in neighborhoods | |
Twum et al. | Textural Analysis for Medicinal Plants Identification Using Log Gabor Filters | |
Cagnetta et al. | How deep neural networks learn compositional data: The random hierarchy model | |
CN111598113A (zh) | 模型优化方法、数据识别方法和数据识别装置 | |
CN113065520A (zh) | 一种面向多模态数据的遥感图像分类方法 | |
Abd El-Khalek et al. | A Robust Machine Learning Algorithm for Cosmic Galaxy Images Classification Using Neutrosophic Score Features. | |
Li et al. | Hierarchical clustering driven by cognitive features | |
Lim et al. | More powerful selective kernel tests for feature selection | |
Giraldo et al. | Weighted feature extraction with a functional data extension | |
Chen et al. | A weighted block cooperative sparse representation algorithm based on visual saliency dictionary | |
Pryor et al. | Deepfake detection analyzing hybrid dataset utilizing CNN and SVM | |
CN112183336A (zh) | 表情识别模型训练方法、装置、终端设备及存储介质 | |
Fradi et al. | Manifold-based inference for a supervised Gaussian process classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |