一、模式识别中的信息融合方法——二次决策（论文文献综述）
江倩[1]（2019）在《基于模糊集及其度量模型的多聚焦图像融合研究》文中指出多聚焦图像融合技术是克服单传感器在给定场景中只能对特定区域进行聚焦缺陷的有效途径,也是图像处理领域中最重要的预处理技术之一。在多聚焦图像采集过程中,成像设备及光照条件等各种因素的影响,以及人类视觉对图像感知中所存在的不精确性和模糊性,使得图像融合过程中存在大量模糊性特征信息。如何对模糊性特征进行有效处理是影响图像融合质量的关键。模糊集及其相关理论是具有处理模糊性或不确定性问题能力的信息处理工具,其对图像模糊特征信息的优异描述能力和天然适应性,都显示了模糊集理论在图像融合中的良好应用前景,但当前模糊集及其相关理论在多聚焦图像融合中的应用研究尤为缺乏。模糊集及其相关理论对模糊信息的优异描述能力及其在模糊理论中的基础地位,得到了学者们的广泛关注及深入研究。一系列基于传统模糊集的拓展集合及其信息度量模型被相继提出,但目前大部分现存模糊集度量模型在应用于特征提取、模式识别、决策等具体问题时,仍普遍存在无效识别或不合理的决策结果。因此,研究并提出更为有效的模糊集度量模型,进而提升其在实际应用中的效果,是学者们主要关注的重点研究领域之一。本文围绕模糊集度量理论、多聚焦图像融合问题展开深入研究,以现有模糊集理论及其度量方法为基础,提出了新的模糊度量理论模型,同时基于新理论分别提出空域和变换域图像特征提取及融合方法。论文主要工作可总结为以下三个方面:（1）针对多聚焦图像融合过程中模糊性特征信息的描述问题,本文提出一种基于模糊集理论及多尺度分析技术的变换域图像融合方法。该方法首先利用静态小波变换（Stationary wavelet transform,SWT）分解源图像,并利用隶属度函数与局部空间频率（local spatial frequency,LSF）得到分解子图像系数的模糊隶属度矩阵及其LSF特征,随后通过融合规则融合子图像,最后通过SWT逆变换重建融合图。实验表明该方法可获得较好的视觉效果。（2）根据多聚焦图像中聚焦成像原理导致的像素值动态变化,利用直觉模糊集（Intuitionistic fuzzy set,IFS）的模糊熵模型提出一种基于变换域的多聚焦图像融合方法。其中,模糊熵根据IFS及其补集转换的等腰三角形模糊数的面积区域进行建模,从而构建出一种新的模糊熵度量模型;并通过数学推导和实验证明了该熵模型的合理性。本文利用该IFS模糊熵度量由剪切波变换（Non-subsampled shearlettransform,NSST）所分解的子图像在特定区域内像素间的变化程度,并通过该模糊熵的度量值获取子图像的聚焦信息,从而得到决策图并实现图像融合操作。实验部分不仅通过数值及多重决策问题验证了所提的IFS模糊熵模型的合理性与有效性,也进一步通过融合实验验证了多聚焦图像融合方法的良好融合效果。（3）针对多聚焦图像中聚焦区域和非聚焦区域像素的相似性特征,根据新的IFSs相似性度量模型提出一种图像空域聚焦检测方法。该IFSs相似性度量模型是根据不同IFSs所转换的等腰三角形交叉点,从而提出的一种新相似性理论模型,其合理性通过数学证明得到了验证。本文利用该相似性度量模型计算图像的聚焦信息得到初步融合决策图;然后通过形态学处理获得优化的决策图;最后设计了一种基于Canny边缘检测的边缘区域保留方法,以进一步提高融合方法性能。模式识别及聚类等一系列实验表明了所提度量模型可有效的克服现有模型在模式识别应用中存在的“盲点”问题,提高模型性能及应用效果;融合实验也证明了本文所提出的融合方法是一种有效的多聚焦图像方法,可获得较好的视觉效果。本文的创新点在于提出了新的IFS模糊熵及相似性度量的理论模型,并将所提理论模型应用到多聚焦图像融合领域,从而提出了几种较为可行的图像特征提取与融合方法。本文提出的度量模型可有效克服现存理论模型中存在的不足,为模糊理论的研究领域提供更多优质的理论模型及建模思路;其在图像融合领域的应用研究也可进一步拓展模糊集及其相关理论的应用领域,并为多聚焦图像融合领域提供更多的技术方案和理论工具。
刘智鹏[2]（2018）在《基于多传感器信息融合的刀具磨损状态模式识别和寿命预测研究》文中指出切削刀具是自动化加工中的直接执行者,会最直接得对切削质量和加工精度产生影响,出现严重故障甚至会损毁机床,危及生命安全,所以对刀具磨损状态的监测工作意义重大。本文通过对多传感器信息融合获得不同传感器的信息进行分析和处理,获得比单一传感器更合理,更全面和更精确的诊断结果,以实现对刀具状态的准确监控。因此进行了下述研究工作:信号采集方面,本文通过对切削过程中各信号特点研究分析,最终选择了力信号、振动信号和声发射信号搭建多传感器试验平台,对相关信号的收集处理,通过科学方法提取出能反应刀具不同磨损状态的特征,为实现刀具磨损状态监测、模式识别和寿命预测提供依据。信号预处理方面,由于试验中原始信号存在大量噪声和干扰信息,在本文中,一种适用于车削信号特征提取预处理的改进型总体经验模态分解（Modified-EEMD）算法被研究并提出。此方法是基于信号固有特征,将目标信号分解成若干蕴涵模态函数（IMF）,该方法区别于传统EMD和EEMD方法在于通过对原信号添加一正一负两组均值为零的白噪声信号,从而减少白噪声的重构误差,使得EMD分解更加具有完备性,并通过不断检验IMF分量是否异常决定是否继续EMD分解,从而在一定程度上提高了特征提取效率、简化了步骤、降低了计算成本。模式识别方面,针对传统决策融合算法的不足,采用了一种基于支持向量机的状态识别的信息融合,将分别独立的BP神经网络和Elman神经网络进行融合,结果显示,这种融合方法能够在确保模式识别的准确性和鲁棒性的同时也具有高效性。寿命预测方面,研究并提出了改进的灰色隐马尔可夫预测模型进行计算分析,最终实现了对车削刀具磨损状态和寿命的准确预测。区别于经典隐马尔可夫模型在于使用了灰色理论,且在计算过程中不直接对原始序列累加,而是直接建立对应一阶微分方程参与计算和GM模型建立的改进方法,试验结果证明了该方法相对经典马尔可夫预测模型具有更高的预测精确度和效率,为刀具磨损状态的精准预测提供了一种新方法作为参考。
魏冬梅[3]（2016）在《基子稀疏表示的人脸识别算法研究》文中研究表明作为一种生物特征,人脸具有可随身携带、不会丢失、不易被盗取等优点,而且人脸图像采集方式友好、无需配合甚至具有隐蔽性。基于人脸的身份识别将成为未来身份认证和识别的主流方法,在经济、民用、军用、公安等领域具有广阔的应用前景,是当前基于生物特征身份识别领域中的研究热点。目前非限制条件下的人脸识别技术还不完善,还需进行深入研究并提出高效的识别算法。稀疏表示算法具有较高的分类性能,在图像分类及模式识别领域得到了广泛研究和应用。构造过完备冗余字典和稀疏表示矢量的快速求解是稀疏表示理论应用中的两大问题。论文针对人脸识别这一典型的小样本问题,围绕基于训练人脸图像的冗余字典构造方法、稀疏表示矢量的快速求解算法以及进一步提高稀疏表示分类性能等问题展开了以下研究工作。（1）提出利用位平面图像协作表示分类投票决策的人脸识别算法。研究了正则化最小二乘协作表示（CRCRLS）分类算法的原理,分析了其与稀疏表示分类（SRC）的区别与联系以及它们在识别性能上的差异,在此基础上提出利用人脸图像的位平面信息和投票决策算法对协作表示算法进行改进,以提高协作表示分类算法的准确性和稀疏表示算法的识别速度。为突出人脸图像的轮廓,增强图像中的识别信息,本算法采用累积分布函数对图像进行直方图均衡。对均衡图像进行位平面分解,得到包含不同类别信息的多个二进制位平面图像,同一位平面图像构成同一位平面数据库。本文采用256级灰度图像进行实验,一幅人脸图像可分解出8幅位平面图像,一个灰度人脸图像库扩展为8个不同位平面人脸图像库。利用协作表示分类算法分别训练出每个位平面的正确识别率。实验证明图像均衡后,第2个位平面和第8个位平面具有相同的正确识别率,第3和第4位平面的正确识别率均在0.25以下。选择正确识别率较高的1、5、6、7、8等5个位平面,分别利用协作表示算法对输入图像进行识别。采用“最高票当选”制对5个识别结果进行投票。当多数投票结果不唯一时,定义为投票决策失败,进行二次判决：利用各位平面图像构造虚拟加权图像,在虚拟加权图像库上再次利用协作表示算法对图像进行分类。利用二进制位平面图像代替二值灰度位平面图像,避免了在虚拟加权人脸图像中低位平面被高位平面“淹没”的问题,权重系数由位平面的“位序数”和“正确识别率”共同确定,既保证了不同位平面具有不同的权重,又限制了高、低位平面的权重差值不会过大。在ORL和FERET人脸库上,正确识别率分别为97%和98%,与CRCRLS算法相比,均提高了4%。与SRC算法相比,分别提高了4%和2%。训练图像的位平面分解、权重系数的训练与虚拟加权训练图像的构造均在训练阶段完成,不会影响实时人脸识别速度,因此识别速度与CRCRLS相当,比SRC算法的识别速度提高了10倍以上。（2）提出基于局部构造模式近邻样本协作表示的人脸识别算法。随着字典原子数量增多,稀疏表示矢量的求解复杂度急剧上升,从而引起识别速度下降,同时字典原子与测试图像在结构上的相似度越高,正确识别率也越高。论文提出一种基于LCP特征的自适应字典学习算法,利用该字典对测试图像进行协作表示分类,既提高了识别速度,又提高了正确识别率。LCP特征包含局部结构（LBP）和局部微观构造（Mic）两层特征。本算法提出利用卡方系数的负对数定义基于归一化直方图卡方距离的“x2-LBP-相似性,,和基于bin-比例直方图距离的‘’χ2-BRD-LBP-相似性”,用以衡量图像在LBP特征层的相似程度,采用欧氏距离判断图像在微观构造特征层上的相似度（MiC-相似性）,通过大量实验给出了χ2 -LBP-相似性和χ2-BRD-LBP-相似性的合法阈值、近邻阈值以及MiC-相似性的合法阈值、近邻阈值的经验取值范围。详细分析讨论了直方图特征与MiC特征级联／并联、bin-比例直方图特征与MiC特征级联／并联四种融合方法下错误拒绝识别、错误接收识别以及近邻样本选择三个问题。联合LBP特征和Mic特征,确定图像在LCP特征上的相似性,并根据预先设定的近邻阈值自适应地选择近邻样本,构造冗余字典。本算法提出的冗余字典的原子数量降到了训练图像数量的2/3以下,而且原子结构与测试样本的结构具有更高的相似性,正确识别率得到提高。基于比例直方图自适应构造的冗余字典对有遮挡图像的分类具有更高的鲁棒性。在ORL、FERET、YaleB和AR人脸库上,无遮挡识别时,本算法比SRC RLC的正确识别率提高了3%左右,利用AR库进行围巾和墨镜遮挡实验,正确识别率可达到85%。（3）提出利用Gabor近邻和压缩感知降维进行稀疏表示分类的人脸识别算法。人脸识别属于典型的小样本问题,利用人脸图像作为原子构造的字典不满足原子数量大于特征数量的条件,以上两种算法在使用协作表示分类之前,首先对图像进行PCA降维以满足字典要求,特征选择的问题依然存在。若采用压缩感知对人脸图像进行降维,则可避免特征选择难题,克服人脸识别中的小样本问题。本算法提取人脸图像的低维Gabor特征,在Gabor特征空间,利用相关系数自动寻找测试样本的近邻并作为表示基构成表示矩阵。通过大量实验证明了合法数据与训练样本的平均相关系数不依赖于具体的测试样本,并给出合法测试数据相关系数阈值的经验值。对合法测试数据,以“类平均相关系数”为准则选择近邻样本并构成表示矩阵,表示基涵盖了训练样本的全部类别,同时表示矩阵中表示基的数量减少了一半,而且表示基和测试图像具有更高的结构相似性,更符合压缩感知理论对于表示矩阵的要求。采用随机分布的高斯矩阵作为感知矩阵对人脸图像进行感知,将高维人脸图像投影到任意低维的观测空间上进行识别。分别采用正交匹配跟踪算法（OMP）和线性规划优化算法求稀疏表示矢量,并逐类完成测试样本的种属判决。与SRC算法相比,识别速度提高了5倍,在无遮挡的识别中,正确识别率提高了5%,对于AR库上的围巾遮挡和墨镜遮挡,正确识别率提高了将近1倍,分别达到83%和73%。
彭美武,陈洪涛,钟成明[4]（2014）在《基于支持向量机的刀具磨损决策融合技术》文中提出针对常用的贝叶斯算法和D-S证据论的局限性提出了基于支持向量机（SVM）的决策融合方法。建立了能够实时监测车削加工过程中振动和声发射信号的刀具磨损状态监测系统,在对分析信号进行BP和Elman神经网络识别的基础上,利用支持向量机实现了决策融合。实验结果证明,基于支持向量机的决策融合方法具有良好的识别率和鲁棒性,且比单用某一种网络节省时间,更有利于实现切削加工刀具状态的在线监测。
陈洪涛[5]（2013）在《基于多参量信息融合的刀具磨损状态识别及预测技术研究》文中指出本文来源于国家重点基础研究发展计划分课题“大型动力装备制造基础研究”（2007CB707703-4）。在深入分析当前刀具状态监测技术研究成果和现状的基础上,针对存在的问题开展了一系列的研究。首先,科学地设计了试验方案,对不同切削条件下数控车削加工中切削力、振动、声发射、切削温度信号进行了刀具全寿命周期的实时采集,采用近似联合对角化下的总体经验模态分解（J-EEMD）算法对观测信号进行刀具磨损状态的特征提取,并在用神经网络进行模式识别的基础上,应用基于支持向量机的刀具磨损融合技术实现了对刀具磨损状态的二次决策识别,实验结果证明,该方法具有良好的识别率和鲁棒性。本文还应用灰色-隐马尔可夫模型对刀具磨损状态进行了科学的预测。本文开展了以下研究工作：（1）为了对基于多参量信息融合的切削刀具磨损状态规律进行研究,选用测力仪、陶瓷加速度计、红外热像仪、声发射传感器及数字采集系统等搭建了试验平台,建立了能够适时及监测数控车削加工过程中切削力、振动、切削热和声发射信号的刀具磨损状态监测系统。对加工过程中刀具全生命周期切削状态进行实时监控,为信号特征的提取、模式识别和刀具状态预测提供了科学依据。（2）采用近似联合对角化下的总体经验模态分解（J-EEMD）方法对观测信号进行处理,该方法基于信号本身特征,自适应地将原振动信号和声发射分解为多个内蕴模式函数（IMF）,然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明,在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。并通过对BP网络和Elman网络的训练实现了对其磨损状态特征的模式识别。（3）针对常用的贝叶斯算法和D-S证据论的局限性提出了基于支持向量机的决策融合方法,接着利用所测数据,在BP和Elman神经网络识别结果的基础上,利用该方法实现了决策融合。实验结果证明,基于支持向量机的决策融合方法具有良好的识别率和鲁棒性,且比单用某一种网络节省时间。（4）建立了反映数控车削加工刀具磨损状态的灰色-隐马尔可夫模型。以反映刀具磨损状态的特征值为输入数据,计算出刀具磨损状态的总体变化趋势的特征值,进而以此为依据利用所建立模型对刀具下一时刻所处的状态进行预测。实验结果表明,本方法有效可行,能对刀具下一时刻的状态做出准确地判定。以此模型建立实时监测预测系统,可以减少停机时间,实现最大经济效益。
冯甲一[6]（2012）在《基于计算机视觉技术的叶类蔬菜新鲜度检测分级研究》文中研究表明目前,许多国家在农产品的质量检测方面都已开始使用计算机视觉技术,来实现对农产品的识别、检测和管理。作为一种新型的无损检测技术,计算机视觉技术成为实现农产品检验的自动可视化发展的必然趋势。在现有国内外研究的基础上,本研究以目前尚未制定等级标准的叶类蔬菜——小白菜的新鲜度识别作为研究方向,以时问量划分的三个等级的叶类蔬菜作为研究对象,以计算机视觉和模式识别理论为基础,获取在一定条件下背景为白色的叶类蔬菜图像,利用MATLAB软件对图像进行处理、分析,同时采用主成分分析、费歇尔判别相结合的方法,实现了特征提取和判别模型的构建。其中主成分分析则将13个特征参数综合成4个新变量,构建的判别模型对样本总体的识别率达84%。主要研究内容如下：（1）根据计算机视觉技术对叶类蔬菜的要求,构建叶类蔬菜图像获取和分析的计算机视觉系统。（2）叶类蔬菜的图像预处理。背景分割过程中,通过自适应中值滤波法和改进的自适应大津法（OTSU法）对叶类蔬菜彩色图像的红、绿、蓝分量进行图像背景分割,通过比较发现：在蓝色分量图中获取阈值进行背景分割的效果最好。经选取阈值的二值化图像与原彩色图像进行对比,最终实现彩色图像的背景分割。（3）提取特征参数：颜色特征,形状特征,纹理特征。将HIS模型和RGB模型配合使用提取叶类蔬菜的颜色特征。叶片图像经过处理后,得到目标图像的边缘和区域,以此来获得蔬菜叶片的形状特征。对于不同新鲜程度的叶片,其纹理在粗细、排列上都有很大差别,本文采用灰度共生矩阵法提取叶片的纹理特征。（4）分级模型的建立。经过特征值提取后,每个样本都获得包括颜色、纹理、形状等13个特征参数组成的特征向量。本文采用主成分分析法实现数据的降维,然后结合费歇尔判别分析,利用降低维度后的特征参数构建判别模型。试验结果证明,判别模型对样本的总体识别准确率达84%。（5）基于MATLAB与.NET混合开发了一套基于计算机视觉的叶类蔬菜新鲜度等级识别研究软件,该软件界面友好,功能完备,能够完成基本的图像处理分析、特征参数的提取、叶类蔬菜等级的识别分类及结果的保存。
刘宇[7]（2010）在《基于融合的步态识别研究》文中研究说明当今世界纷繁复杂,各种场合对安全的需求也越来越高。安全、有效、唯一等等得天独厚的优势使得生物特征识别技术逐渐被人们所重视。而根据人行走方式的不同来进行身份识别的步态识别则是一种新兴生物特征识别技术。由于具有其它生物特征识别所无可比拟的隐蔽性、非侵犯性和对图像分辨率要求不高等优点,在视觉监控领域有着广泛的应用前景。步态识别过程主要由步态图像预处理、特征提取和分类识别三个部分组成。其中步态图像预处理就是通过背景建模、前景检测和形态学后处理等工作,从输入序列图像中检测运动目标,这是后续特征提取和目标分类工作的基础,有很重要的意义。而特征提取是决定识别效果的决定因素,是重中之重,也是本文研究的重点。本文针对侧面视角条件下提出了两种提取特征的步态识别方法。其中之一基于Radon变换,将用于直线检测的Radon变换推广到特征空间的建立上。根据人体运动特性,将运动人体时空不变的身体结构参数和随时空变化的动态参数结合起来,构造一个周期的特征向量模板。其后运用主成分分析（PCA）降降低特征空间维数,提取特征主向量。另一种方法利用反映动态信息的各个对象步态能量图（GEI ）的标准差为动态权值掩模（DWM）,通过校准后与GEI做Hadamard积,从而得到动态信息增强的步态能量图（EGEI）,这幅图像不仅保留了轮廓、频率、相位等步态信息,而其一定程度上解决了遮挡问题。再运用结合了行方向与列方向的二维主成分分析（（2D）2PCA）来计算训练和测试样本的主元分量,得到对识别贡献最大的特征向量矩阵。单一的步态特征对步态的描述存在局限性,本文抓住不同步态特征在识别时能够提供互补信息这一关键,采用基于计分规则的方法,在决策层对两种特征的信息进行了融合。实验采用CASIA步态数据库中包含124个对象、3种行走条件的Dataset B,从以上算法的识别性能进行测试评估。结果表明本文提出的通过增强能量图来提取特征的算法对衣着变化和携带物的影响具有很好的鲁棒性。将两种特征信息通过合理的规则进行融合对提高识别性能更具效果。
王辉,杨林,丁金华[8]（2010）在《基于特征级数据融合木材纹理分类的研究》文中指出为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。
陈薇[9]（2008）在《基于信息融合的步态识别系统研究》文中研究表明步态识别是依据人行走方式的不同对人的身份进行识别的一种生物特征识别技术。步态识别主要是针对含有人的运动图像序列进行分析处理,它在虚拟现实、视觉监控、感知接口中均有着广泛的应用前景。步态识别主要由三部分构成:步态序列图像预处理、特征提取和分类判别。其中特征提取可以说是重中之重,是识别性能的决定性因素,也是本文的研究重点。步态图像预处理就是从输入序列图像中检测人的运动,主要包括步态序列图像背景建模、前景检测和形态学后处理等工作。步态剪影的有效检测对于特征提取、目标分类等后期处理有非常重要的影响。在特征提取阶段,本文提出了两种有效特征提取方法。第一是基于Radon变换的步态特征提取。根据人体运动特性,结合目标动态参数以及身体结构参数,构造一个周期的特征向量模板。采用主成分分析（PCA）提取特征主向量。第二是基于步态能量图像（GEI）和行列方向结合的二维主成分分析（2D）2PCA的特征提取。GEI利用加权平均的简单步骤将一周期步态图像合成为一幅图像,这幅图保留了轮廓、频率、相位等步态信息。（2D）2PCA直接基于图像矩阵,结合行列两个方向的特征主向量,抽取对步态识别贡献最大的特征向量。同一个人的步态在不同视角下存在着较大的差异,因此很有可能在某一个视角下被误识的步态序列在其它视角下能被正确的区分出来。本文采用基于Rank的KNN的融合规则完成多视角在决策层上的信息融合。单一特征表征有其局限性,本文采用基于计分准则实现多特征的信息融合。实验采用包含了124个个体的CASIA步态数据库,从方法的识别性能进行测试评估。实验结果表明,本文提出的方法均对携带物的影响有很好的鲁棒性。基于GEI与（2D）2pCA的特征提取方法,在多个视角下均有很好的识别效果。信息的有效融合更能提高对目标的识别。
穆举胜[10]（2007）在《基于粗糙集的汉字图像识别方法研究》文中研究说明脱机手写体汉字识别作为超多维模式空间的分类问题是模式识别领域的一个研究热点。粗糙集理论是一种处理不精确、不确定与不完全数据的软计算方法。它建立在分类机制的基础上的，将分类理解为在特定空间上的等价关系，并将知识理解为对数据的划分，能够比较客观地处理不确定性问题。因此将粗糙集理论运用在手写体汉字图像识别是具有理论研究意义和实际应用价值的。本文主要完成了以下几个方面的工作：1、手写体汉字决策信息系统构建。根据粗糙集理论中广义论域信息系统的概念，定义了手写体汉字信息系统。仿人在识字过程中采用有导师学习方式，通过在手写体汉字信息系统中加入样本汉字的真实属性作为先验信息，建立了一种手写体汉字决策信息系统2、特征量约简。采用“熵”值表征决策信息系统中手写体汉字特征重要性，设计了一种具有先验知识指导的手写体汉字特征量约简算法，减小识别过程的特征冗余度。3、汉字多样本的冗余度约简。基于粗糙集理论的规则冲突判断，给出一种启发式冗余样本约简方法，约简多样本汉字集中的冗余度。4、多字体汉字识别。建立了手写体汉字决策信息系统的多模板多特征样本汉字集，提出一种基于规则置信度的汉字规则融合识别方法，并设计了一种基于粗糙集的手写体汉字识别系统。5、选取SCUT-IRAC手写体汉字样本库作为实验样本，对本文研究的基于粗糙集的特征约简和样本约简方法，以及规则融合识别方法进行了实验验证。选取了SCUT-IRAC手写体汉字样本库作为实验样本，在MATLAB 6.5环境下，进行了仿真实验验证。实验结果表明，本文研究的特征约简方法对手写体汉字多维统计特征具有较好的约简结果；启发式冗余样本约简方法能对汉字多样本的冗余度进行有效的约简；规则置信度融合识别方法能提高手写体汉字识别正确率。
二、模式识别中的信息融合方法——二次决策（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、模式识别中的信息融合方法——二次决策（论文提纲范文）
（1）基于模糊集及其度量模型的多聚焦图像融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像融合的国内外研究现状 |
| 1.2.2 模糊集及其度量模型的国内外研究现状 |
| 1.2.3 模糊理论在图像融合中的国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 模糊理论及性质 |
| 2.1 模糊集的理论及性质 |
| 2.1.1 传统模糊集 |
| 2.1.2 直觉模糊集 |
| 2.1.3 区间二型模糊集 |
| 2.2 模糊度量的理论及性质 |
| 2.2.1 模糊度量的性质 |
| 2.2.2 现存的模糊熵理论 |
| 2.2.3 现存的模糊相似性理论 |
| 2.3 模糊聚类理论 |
| 2.4 本章小结 |
| 第三章 基于模糊集理论与SWT的变换域多聚焦图像融合 |
| 3.1 离散静态小波算法 |
| 3.2 基于模糊集及SWT的多聚焦图像融合方法 |
| 3.2.1 SWT的源图像分解 |
| 3.2.2 子图像系数的模糊隶属度矩阵 |
| 3.2.3 子图像模糊隶属度的局部空间频率特征 |
| 3.2.4 融合规则 |
| 3.3 主要融合步骤及参数设置 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 第四章 基于模糊熵与NSST的变换域多聚焦图像融合方法 |
| 4.1 非下采样的剪切波变换 |
| 4.2 基于几何特性的直觉模糊熵建模 |
| 4.3 基于模糊熵及NSST的多聚焦图像融合方法 |
| 4.3.1 低频子图像融合规则 |
| 4.3.2 高频子图像融合规则 |
| 4.3.3 主要融合步骤及参数设置 |
| 4.4 实验验证与分析 |
| 4.4.1 模糊熵度量模型的数值实验验证与分析 |
| 4.4.2 融合方法的实验验证与分析 |
| 4.5 本章小结 |
| 第五章 基于模糊相似性的空域多聚焦图像融合 |
| 5.1 空域图像融合技术 |
| 5.2 基于几何特性的直觉模糊相似性建模 |
| 5.3 基于模糊相似度及边缘检测技术的图像融合方法 |
| 5.3.1 基于空间域的模糊相似性聚焦区域检测方法 |
| 5.3.2 基于canny边缘检测和形态学的边界区域处理方法 |
| 5.3.3 主要融合步骤及参数设置 |
| 5.4 实验验证与分析 |
| 5.4.1 模糊相似性的数值实验验证及分析 |
| 5.4.2 图像融合方法的实验验证及分析 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 本文工作总结 |
| 6.2 下阶段研究工作展望 |
| 参考文献 |
| 攻读博士学位期间完成的科研成果和参与的科研项目 |
| 致谢 |
（2）基于多传感器信息融合的刀具磨损状态模式识别和寿命预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 自动化加工生产的地位和意义 |
| 1.1.2 刀具监测预测技术对自动化加工生产的作用 |
| 1.2 刀具状态监测方法 |
| 1.3 刀具磨损状态监测和预测的研究 |
| 1.3.1 概述 |
| 1.3.2 刀具磨损状态监测技术 |
| 1.3.3 特征提取方法 |
| 1.4 人工神经网络研究 |
| 1.5 支持向量机研究 |
| 1.6 信息融合技术研究 |
| 1.7 本章小结 |
| 第二章 刀具磨损现象研究 |
| 2.1 刀具损坏的形式 |
| 2.2 刀具寿命 |
| 2.2.1 刀具磨损三阶段 |
| 2.2.2 磨钝标准 |
| 2.3 本章小结 |
| 第三章 基于多传感器的试验方案设计 |
| 3.1 监测信号的选择 |
| 3.1.1 切削力信号 |
| 3.1.2 振动信号 |
| 3.1.3 声发射信号 |
| 3.2 试验台的搭建 |
| 3.2.1 切削力信号采集系统 |
| 3.2.2 振动信号采集系统 |
| 3.2.3 数字采集系统 |
| 3.2.4 声发射信号采集系统 |
| 3.3 试验方案设计 |
| 3.3.1 试验目的 |
| 3.3.2 影响信号的因素 |
| 3.3.3 试验设计方法 |
| 3.3.4 样本数据提取 |
| 3.4 本章小结 |
| 第四章 特征提取和状态识别 |
| 4.1 EMD原理及仿真示例 |
| 4.2 EEMD原理 |
| 4.3 MEEMD原理及仿真 |
| 4.4 信号的MEEMD分解及特征提取 |
| 4.4.1 时域特征 |
| 4.4.2 频域特征 |
| 4.5 基于BP和Elman神经网络的模式识别 |
| 4.6 本章小结 |
| 第五章 基于支持向量机的刀具磨损决策融合 |
| 5.1 信息融合基本概念 |
| 5.1.1 信息融合的分类 |
| 5.1.1.1 像素级融合 |
| 5.1.1.2 特征级融合. |
| 5.1.1.3 决策级融合 |
| 5.2 基于SVM的信息融合 |
| 5.2.1 SVM融合原理 |
| 5.2.1.1 VC维 |
| 5.2.1.2 经验风险最小化. |
| 5.2.1.3 结构风险最小化. |
| 5.2.1.4 推广性的界 |
| 5.2.2 支持向量机的分类 |
| 5.2.2.1 线性分类 |
| 5.2.2.2 非线性分类 |
| 5.2.3 支持向量机的融合仿真 |
| 5.3 刀具状态输出的决策融合 |
| 5.3.1 神经网络训练分析 |
| 5.3.2 基于支持向量机的决策方法研究 |
| 5.4 本章小结 |
| 第六章 灰色-隐马尔可夫模型刀具状态预测技术 |
| 6.1 刀具磨损状态预测方法的分类 |
| 6.2 隐马尔可夫模型 |
| 6.2.1 马尔可夫链 |
| 6.2.2 隐马尔可夫链 |
| 6.3 灰色-隐马尔可夫模型 |
| 6.3.1 GM(1,1)模型 |
| 6.3.2 灰色预测 |
| 6.3.3 灰色预测的优点 |
| 6.3.4 改进的灰色模型 |
| 6.4 状态空间划分和信号特征处理 |
| 6.4.1 状态空间的划分. |
| 6.4.2 特征处理 |
| 6.5 基于改进的灰色-隐马尔可夫模型刀具磨损状态预测 |
| 6.6 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及成果 |
（3）基子稀疏表示的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 缩略语简表 |
| 第一章 绪论 |
| 1.1 生物特征识别的意义和分类 |
| 1.2 常用的生物特征技术简介 |
| 1.3 人脸识别的意义和研究内容 |
| 1.4 人脸识别技术的发展与应用现状 |
| 1.4.1 人脸识别的发展历程 |
| 1.4.2 人脸识别算法简介 |
| 1.4.3 人脸识别应用现状 |
| 1.5 人脸识别技术中的关键问题 |
| 1.6 人脸识别常用的人脸数据库简介 |
| 1.7 论文主要研究内容和安排 |
| 1.8 本章小结 |
| 第二章 基于稀疏表示的人脸识别算法 |
| 2.1 稀疏表示模型 |
| 2.1.1 稀疏分解算法 |
| 2.1.2 超完备字典的构造方法 |
| 2.2 稀疏表示理论在人脸识别中的应用 |
| 2.2.1 人脸识别中冗余字典的构造 |
| 2.2.2 人脸识别中稀疏表示矢量的求解算法 |
| 2.3 基于位平面图像协作表示分类投票的人脸识别算法 |
| 2.3.1 位平面图像分解 |
| 2.3.2 图像的直方图均衡 |
| 2.3.3 位平面图像的分类性能 |
| 2.3.4 投票决策原理 |
| 2.3.5 基于位平面图像协作表示分类投票算法及其实验结果 |
| 2.4 本章小结 |
| 第三章 基于局部构造模式近邻样本协作表示的人脸识别算法 |
| 3.1 局部构造模式 |
| 3.1.1 局部二值模式 |
| 3.1.2 局部构造模式 |
| 3.2 LCP特征图像的相似性 |
| 3.2.1 基于归一化直方图的局部结构特征相似性 |
| 3.2.2 基于比例直方图的局部结构特征相似性 |
| 3.2.3 基于MiC特征的相似性 |
| 3.3 基于LCP近邻样本协作表示的人脸识别算法 |
| 3.3.1 LCP特征提取 |
| 3.3.2 LCP特征的合法阈值与近邻阈值 |
| 3.3.3 测试样本的合法性判断与近邻样本选择 |
| 3.3.4 近邻样本协作表示的人脸识别算法 |
| 3.4 本章小结 |
| 第四章 采用Gabor近邻和压缩感知降维的稀疏表示人脸识别算法 |
| 4.1 压缩感知理论 |
| 4.1.1 表示矩阵Ψ的构造方法 |
| 4.1.2 感知矩阵Φ的选择 |
| 4.1.3 重构算法 |
| 4.2 压缩感知理论在人脸识别中的应用 |
| 4.2.1 表示矩阵的构造 |
| 4.2.2 感知矩阵的选择 |
| 4.2.3 稀疏系数矢量求解算法 |
| 4.2.4 测试图像分类 |
| 4.2.5 实验结果 |
| 4.3 采用Gabor近邻和压缩感知降维的稀疏表示人脸识别算法 |
| 4.3.1 图像的Gabor特征 |
| 4.3.2 近邻样本的选择 |
| 4.3.3 基于近邻样本压缩感知的识别算法 |
| 4.3.4 算法识别结果和分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 5.2.1 深度学习在人脸识别中的应用 |
| 5.2.2 高光谱图像在人脸识别中的应用 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 附件：外文论文两篇 |
| 学位论文评阅及答辩情况表 |
（4）基于支持向量机的刀具磨损决策融合技术（论文提纲范文）
| 0 前言 |
| 1 试验平台搭建和试验方案 |
| 1. 1 试验平台搭建 |
| 1. 2 试验方案 |
| 2 基于两种神经网络的模式识别 |
| 2. 1 训练样本的选取 |
| 2. 2 基于BP网络的模式识别 |
| 2. 3 基于Elman网络的模式识别 |
| 3 支持向量机的分类原理 |
| 3. 1 线性分类问题 |
| 3. 2 非线性分类问题 |
| 4 基于支持向量机决策融合 |
| 4. 1 基于支持向量机的决策方法研究 |
| 4. 2 基于支持向量机的决策融合过程 |
| 5 结束语 |
（5）基于多参量信息融合的刀具磨损状态识别及预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 刀具磨损状态监测技术发展历史及监测方法 |
| 1.2.1 具状态监测技术的发展历史 |
| 1.2.2 刀具状态监测方法 |
| 1.3 刀具磨损状态监测关键技术及研究现状 |
| 1.3.1 信号处理技术 |
| 1.3.2 特征提取与模式识别 |
| 1.3.3 信息融合技术研究现状 |
| 1.4 刀具状态监测的发展趋势 |
| 1.5 论文的结构和内容 |
| 1.6 本章小结 |
| 第2章 刀具磨损机理与刀具寿命 |
| 2.1 刀具损坏的形式 |
| 2.2 刀具磨损机理 |
| 2.2.1 磨料磨损 |
| 2.2.2 粘接磨损 |
| 2.2.3 扩散磨损 |
| 2.2.4 氧化磨损 |
| 2.3 刀具寿命 |
| 2.3.1 刀具磨损过程 |
| 2.3.2 刀具磨钝标准 |
| 2.3.3 刀具寿命模型 |
| 2.4 本章小结 |
| 第3章 刀具磨损状态监测的试验研究 |
| 3.1 监测信号的选择 |
| 3.1.1 切削力信号 |
| 3.1.2 振动信号 |
| 3.1.3 切削温度信号 |
| 3.1.4 声发射信号 |
| 3.2 试验台的搭建 |
| 3.2.1 切削力和振动信号采集系统 |
| 3.2.2 声发射信号监控系统 |
| 3.2.3 切削温度信号采集装置 |
| 3.3 试验方案设计 |
| 3.3.1 试验目的 |
| 3.3.2 影响信号的因素 |
| 3.3.3 试验设计方法 |
| 3.3.4 样本数据提取 |
| 3.4 试验步骤及分析 |
| 3.4.1 影响传感器信号的试验 |
| 3.4.2 工件材料对信号特征的影响 |
| 3.4.3 刀具磨损监测试验 |
| 3.5 结论 |
| 3.6 本章小结 |
| 第4章 刀具磨损状态的特征提取和模式识别 |
| 4.1 J-EEMD方法概述 |
| 4.1.1 EMD原理及仿真示例 |
| 4.1.2 EEMD原理 |
| 4.1.3 J-EEMD方法的提出及有效性检验 |
| 4.2 基于J-EEMD的数据特征提取 |
| 4.2.1 信号的J-EEMD分解 |
| 4.2.2 基于J-EEMD的数据特征提取 |
| 4.2.3 信号的数据特征分析 |
| 4.3 基于两种神经网络的模式识别 |
| 4.3.1 神经网络概述 |
| 4.3.2 基于BP和Elman网络的刀具磨损状态监测模式识别 |
| 4.4 本章小结 |
| 第5章 基于支持向量机的刀具磨损决策融合技术 |
| 5.1 信息融合基本概念 |
| 5.2 基于支持向量机的决策融合算法 |
| 5.2.1 SVM融合原理 |
| 5.2.2 支持向量机的分类问题 |
| 5.2.3 支持向量机的融合示意 |
| 5.3 刀具状态输出的决策融合 |
| 5.3.1 神经网络识别结果分析 |
| 5.3.2 基于支持向量机的决策方法研究 |
| 5.4 本章小结 |
| 第6章 灰色-隐马尔可夫模型刀具状态预测技术 |
| 6.1 刀具磨损状态预测方法的分类 |
| 6.2 隐马尔可夫模型 |
| 6.2.1 引言 |
| 6.2.2 马尔可夫链 |
| 6.2.3 隐马尔可夫链 |
| 6.3 灰色-隐马尔可夫模型 |
| 6.3.1 灰色理论概述 |
| 6.3.2 建立GM(1,1)灰色模型 |
| 6.4 刀具预测模型状态空间的划分及特征处理 |
| 6.4.1 状态空间的划分 |
| 6.4.2 特征处理 |
| 6.5 基于灰色-隐马尔可夫模型刀具磨损状态预测 |
| 6.5.1 建立力特征信号GM(1,1)模型 |
| 6.5.2 基于残差特征值预测 |
| 6.5.3 具磨损状态的预测 |
| 6.6 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及成果 |
（6）基于计算机视觉技术的叶类蔬菜新鲜度检测分级研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究问题的提出 |
| 1.2 研究领域的现状 |
| 1.2.1 计算机视觉应用于农业领域的国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目的与技术路线 |
| 1.3.1 研究的内容与目标 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第二章 叶类蔬菜图像预处理 |
| 2.1 试验样本与图像获取 |
| 2.1.1 试验样本 |
| 2.1.2 图像获取 |
| 2.2 图像预处理 |
| 2.2.1 图像去噪 |
| 2.2.2 背景分割 |
| 2.3 本章小结 |
| 第三章 叶类蔬菜图像特征参数的选择与提取 |
| 3.1 颜色模型 |
| 3.1.1 RGB模型 |
| 3.1.2 HSI模型 |
| 3.2 颜色特征的提取 |
| 3.3 形状特征的提取 |
| 3.3.1 面积 |
| 3.3.2 偏心率 |
| 3.4 纹理特征的提取 |
| 3.5 特征值归一化处理 |
| 3.6 本章小结 |
| 第四章 基于费歇尔判别（FISHER）的叶类蔬菜等级分析 |
| 4.1 主成分分析法理论 |
| 4.1.1 主成分分析法对特征参数降维 |
| 4.2 费歇尔判别分析法理论 |
| 4.2.1 多元判别法 |
| 4.2.2 费歇尔判别法及分类模型的建立 |
| 4.3 距离判别法和BAYES判别法的比较选择 |
| 4.3.1 距离判别法及试验结果 |
| 4.3.2 Bayes判别法及试验结果 |
| 4.4 判别结果分析 |
| 4.5 本章小结 |
| 第五章 叶类蔬菜检测分级系统的设计与实现 |
| 5.1 面向对象的需求分析 |
| 5.1.1 叶类蔬菜分级系统概述 |
| 5.1.2 用例图 |
| 5.1.3 活动图 |
| 5.1.4 类图 |
| 5.2 概要设计 |
| 5.3 系统实现 |
| 5.3.1 开发环境 |
| 5.3.2 系统界面 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）基于融合的步态识别研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 生物特征识别 |
| 1.2 选题背景和意义 |
| 1.3 步态识别研究的内容 |
| 1.4 国内外研究现状 |
| 1.5 论文实验数据库 |
| 1.6 研究内容和论文结构 |
| 2 步态图像处理 |
| 2.1 运动目标检测技术概述 |
| 2.1.1 光流法 |
| 2.1.2 帧间差分法 |
| 2.1.3 背景减除法 |
| 2.2 背景减除法获得二值图像 |
| 2.2.1 灰度变化 |
| 2.2.2 背景构建 |
| 2.2.3 背景减除与图像二值化处理 |
| 2.2.4 图像后处理 |
| 2.3 周期检测 |
| 2.4 本章小结 |
| 3 基于 Radon 变换和主成分分析的步态识别 |
| 3.1 Radon 变换 |
| 3.1.1 Radon 变换定义 |
| 3.1.2 Radon 变换的结果 |
| 3.1.3 特征模板构造 |
| 3.2 基于主成分分析的特征提取 |
| 3.2.1 K-L 变换原理 |
| 3.2.2 主向量提取 |
| 3.3 实验步骤与结果 |
| 3.3.1 实验步骤 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 4 基于增强步态能量图和双向二维主成分分析的步态识别 |
| 4.1 增强的步态能量图 |
| 4.1.1 步态能量图（GEI） |
| 4.1.2 增强的步态能量图（EGEI） |
| 4.2 二维主成分分析法 |
| 4.3 行列相结合的二维主成分分析 |
| 4.3.1 行方向上的2DPCA |
| 4.3.2 列方向上的2DPCA |
| 4.3.3 双向结合的2DPCA |
| 4.4 实验步骤与结果 |
| 4.4.1 实验步骤 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 5 基于信息融合的步态识别 |
| 5.1 信息融合概述 |
| 5.1.1 数据层融合 |
| 5.1.2 特征层融合 |
| 5.1.3 决策层融合 |
| 5.2 基于多特征在决策层融合的步态识别 |
| 5.2.1 决策层融合规则 |
| 5.2.2 实验结果与分析 |
| 5.3 本章小结 |
| 6 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于特征级数据融合木材纹理分类的研究（论文提纲范文）
| 1 纹理分析方法 |
| 1.1 灰度共生矩阵 |
| 1.2 高斯-马尔可夫随机场 |
| 2 木材纹理特征的获取 |
| 2.1 实验材料 |
| 2.2 纹理特征参数的获取 |
| 3 木材纹理分类实验结果与分析 |
| 3.1 参数归一化处理 |
| 3.2 纹理特征的数据融合 |
| 3.3 实验结果与分析 |
| 4 结束语 |
（9）基于信息融合的步态识别系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 选题背景和意义 |
| 1.3 步态识别技术综述 |
| 1.3.1 步态识别研究内容 |
| 1.3.2 国内外研究现状 |
| 1.3.3 现有识别方法 |
| 1.3.4 步态识别技术的研究难点 |
| 1.3.5 步态识别的应用前景 |
| 1.4 论文实验数据库 |
| 1.5 论文的主要工作 |
| 1.6 论文的内容安排 |
| 第2章 步态检测及预处理 |
| 2.1 背景建模 |
| 2.2 运动目标检测 |
| 2.2.1 背景减除法 |
| 2.2.2 光流法 |
| 2.2.3 时间差分法 |
| 2.3 图像二值化处理 |
| 2.4 形态学处理 |
| 2.5 周期检测 |
| 2.5.1 周期检测概述 |
| 2.5.2 基于剪影宽高比的周期检测 |
| 2.6 本章小结 |
| 第3章 基于 Radon变换的步态识别 |
| 3.1 Radon变换 |
| 3.1.1 Radon变换定义 |
| 3.1.2 Radon变换结果 |
| 3.2 特征模板构造 |
| 3.2.1 已有模板构造方法 |
| 3.2.2 动态插值模板构造 |
| 3.3 主成分分析(PCA) |
| 3.3.1 K-L变换的原理 |
| 3.3.2 主向量提取 |
| 3.4 实验步骤 |
| 3.5 识别结果与分析 |
| 3.6 本章小结 |
| 第4章 基于 GEI和(2D)~2PCA的步态识别 |
| 4.1 步态能量图像(GEI) |
| 4.1.1 步态能量图像理论 |
| 4.1.2 步态能量图像优点分析 |
| 4.2 二维主成分分析(2DPCA) |
| 4.2.1 二维主成分分析算法 |
| 4.2.2 图像的主成分向量和特征矩阵 |
| 4.2.3 2DPCA的优点 |
| 4.3 行列相结合的二维主成分分析((2D)~2PCA) |
| 4.3.1 行方向上的 2DPCA |
| 4.3.2 列方向上的 2DPCA |
| 4.3.3 行列方向结合的 2DPCA |
| 4.4 加权二维主成分分析 |
| 4.5 实验步骤 |
| 4.6 识别结果与分析 |
| 4.7 本章小结 |
| 第5章 基于信息融合的步态识别 |
| 5.1 信息融合概述 |
| 5.2 基于多视角融合的步态识别 |
| 5.2.1 决策层融合规则 |
| 5.2.2 多视角决策层融合策略 |
| 5.2.3 融合后的结果及分析 |
| 5.3 基于多特征融合的步态识别 |
| 5.3.1 多特征融合规则 |
| 5.3.2 融合后的结果及分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于粗糙集的汉字图像识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 手写体汉字识别系统 |
| 1.1.1 汉字识别方法分类 |
| 1.1.2 手写体汉字识别的历史回顾及研究现状 |
| 1.2 手写体汉字识别的方法分析与技术难点 |
| 1.2.1 手写体汉字识别方法分析 |
| 1.2.2 手写体汉字识别技术难点 |
| 1.2.3 当前的研究热点 |
| 1.3 粗糙集理论的发展和应用现状 |
| 1.3.1 粗糙集理论的发展现状 |
| 1.3.2 粗糙集在图像处理与字符识别中的应用 |
| 1.4 本课题研究的意义及论文的内容 |
| 第二章 手写体汉字决策信息系统的构建及其熵 |
| 2.1 粗糙集理论的基本概念 |
| 2.2 知识表达系统和决策表 |
| 2.2.1 知识表达系统 |
| 2.2.2 决策表 |
| 2.3 知识约简 |
| 2.4 决策规则 |
| 2.5 手写体汉字决策信息系统 |
| 2.6 手写体汉字决策信息系统熵 |
| 2.6.1 模式识别的若干熵定义 |
| 2.6.2 手写体汉字决策信息系统熵的定义 |
| 2.7 小结 |
| 第三章 手写体汉字图像特征提取及约简 |
| 3.1 手写体汉字图像的特征提取 |
| 3.1.1 手写体汉字笔划方向特征提取 |
| 3.1.2 手写体汉字笔划密度特征提取 |
| 3.1.3 手写体汉字粗网格特征提取 |
| 3.1.4 手写体汉字粗轮廓特征提取 |
| 3.2 手写体汉字特征约简 |
| 3.2.1 粗糙集理论中属性约简的基本方法 |
| 3.2.2 手写体汉字特征重要性参数的定义 |
| 3.2.3 手写体汉字分类特征约简算法 |
| 3.3 手写体汉字冗余样本约简 |
| 3.4 小结 |
| 第四章 手写体汉字的识别 |
| 4.1 识别系统模型结构的提出 |
| 4.2 手写体汉字识别方法的研究 |
| 4.2.1 粗糙集规则匹配方法 |
| 4.2.2 手写体汉字规则融合识别算法 |
| 4.3 基于粗糙集的手写体汉字识别系统的识别流程 |
| 4.4 小结 |
| 第五章 实验结果与分析 |
| 5.1 手写体汉字图像预处理及特征提取实验 |
| 5.2 手写体汉字特征约简实验 |
| 5.3 手写体汉字决策表规则获取及规则融合识别实验 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
四、模式识别中的信息融合方法——二次决策（论文参考文献）
- [1]基于模糊集及其度量模型的多聚焦图像融合研究[D]. 江倩. 云南大学, 2019(09)
- [2]基于多传感器信息融合的刀具磨损状态模式识别和寿命预测研究[D]. 刘智鹏. 西南交通大学, 2018(10)
- [3]基子稀疏表示的人脸识别算法研究[D]. 魏冬梅. 山东大学, 2016(11)
- [4]基于支持向量机的刀具磨损决策融合技术[J]. 彭美武,陈洪涛,钟成明. 组合机床与自动化加工技术, 2014(04)
- [5]基于多参量信息融合的刀具磨损状态识别及预测技术研究[D]. 陈洪涛. 西南交通大学, 2013(10)
- [6]基于计算机视觉技术的叶类蔬菜新鲜度检测分级研究[D]. 冯甲一. 南京农业大学, 2012(01)
- [7]基于融合的步态识别研究[D]. 刘宇. 重庆大学, 2010(03)
- [8]基于特征级数据融合木材纹理分类的研究[J]. 王辉,杨林,丁金华. 计算机工程与应用, 2010(03)
- [9]基于信息融合的步态识别系统研究[D]. 陈薇. 哈尔滨工程大学, 2008(04)
- [10]基于粗糙集的汉字图像识别方法研究[D]. 穆举胜. 合肥工业大学, 2007(03)