关键词： 光纤光学   光纤传感器   模式识别   深度残差收缩网络   新阈值函数   周界安防  

摘要： 提出了基于新阈值函数的深度残差收缩网络（DRSN-NTF），用于解决分布式光纤声传感（DAS）信号噪声强、识别难的问题。DRSN-NTF基于深度残差收缩网络（DRSN），使用新阈值函数代替软阈值函数，使其更能发挥信号噪声处理和分类识别能力。使用DAS系统采集周界入侵事件的实验数据，并通过添加高斯白噪声的形式，设计了6组不同信噪比（0 dB～5 dB）的实验。对比了4个模型的实验结果，由此考察DRSN-NTF的识别效果。结果发现：在强噪声的情况下，DRSN-NTF取得的平均测试准确率比DRSN高1.05%；随着信噪比的降低，DRSN-NTF的测试准确率高于DRSN的差值增大，表明DRSN-NTF在信号噪声处理和分类识别能力方面更强，能获得相对更高的识别准确率。因此，DRSNNTF更加适用于DAS信号识别。

关键词： 建筑物群组   模式识别   空间图卷积模型   深度学习  

摘要： 建筑物群组模式的识别是建筑物综合的重要步骤，高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种，存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性，已成功地应用于建筑物的模式分析。然而，目前使用图卷积进行建筑物群组多模式识别的相关研究较少，且已有的图卷积大多基于谱域图卷积，对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别，首先聚类建筑物数据形成群组，并构建建筑物群组的几何模型；然后定义建筑物的特征向量，建立建筑物群组的图结构；最后将图结构输入DGCNN模型训练，得到建筑物群组模式。结果发现，该模型在训练集的精度达到97.60%，测试集的精度达到95%，优于谱域图卷积方法，能有效用于建筑物群组模式分类。

关键词： 多功能雷达   模式识别   自注意力机制   特征提取   深度学习  

摘要： 雷达工作模式识别是解释雷达行为和功能的基本任务。现有方法难以在信号灵活、环境复杂的条件下筛除脉冲序列中不同空间和不同通道中的冗余信息。本文在深度残差网络的基础上，增加了空间自注意力模块和通道自注意力模块以适应上述信号特点。模型引入自注意力机制以实现雷达序列不同空间和通道的自适应权值分配，使网络能更有效地关注更具差异性的信息，实现了极端条件下雷达工作模式的高精度识别。同经典深度学习网络AlexNet、LeNet、VGGNet、ResNet以及常规深度卷积网络相比，该模型在0～50%漏脉冲条件下，平均识别率提升了36%，在独立测试集40%漏脉冲比例下模型仍然具备90%以上的识别率，证明了所提网络的优越性和有效性。

关键词： 可擦笔   高光谱   滤波器   希尔伯特变换   模式识别  

摘要： 文件的真实性是当前诉讼审查阶段的重要工作，可擦笔在司法案件中常被用来进行伪造文书、合同等犯罪行为。针对其油墨成分、笔迹修改等方面的辨识是文件检验领域的重点研究。特殊热感变色颜料是可擦笔油墨的主要成分，其变色原理是随着温度变化会产生笔迹的消失与复现，在65℃以上颜色褪去，在-18℃以下颜色复现。对其进行种属认定可以对案件证据的真实性进行鉴别，为案件诉讼过程提供支持。高光谱的超高光谱分辨率对高分子材料具有较好的特征选择性，能够有效的对常见油墨成分进行数据采集。该实验收集22个品牌共45份可擦笔油墨样本，可以分为碳化钨笔珠、子弹头笔珠、全针管、半针管四种类型，统一采集450～950 nm波段的高光谱信息。关于光谱数据背景噪声冗余的问题，选用主成分分析法(PCA)对数据进行降维处理，提取特征变量。基于降维后的数据选用不同类型的希尔伯特变换(HT)进行信号滤波，进一步选择有效信号，提升建模效果。样本识别上选用多层感知器(MLP)和径向基函数神经网络(radial basis function neural network, RBFNN)两种人工神经网络模型，基于23维主成分提取的特征变量类建模准确率分别为81%, 84%,通过希尔伯特高通滤波处理后可以将分类准确率提升至88.9%, 92%,能够有效提升识别准确率。为进一步区分不同样本的种类，选择Fisher判别分析方法进行建模，各样本原始数据在FDA模型中识别准确率为44%,经最优PCA-HT处理的FDA建模准确率为93.3%,能够区分出不同的可擦笔油墨类型。结果表明，PCA能够在保留光谱有效信息的基础上进行降维，提升模型精度并且缩短运行时间，相较于原始光谱数据建模效果较好，通过希尔伯特变换后的光谱数据能够进一步完善有效光谱信息，使得建模准确率进一步提升。该实验确定PCA-HT-FDA模型为最佳可擦笔油墨高光谱识别模型，能够为司法鉴定人员提供一定参考。

关键词： 乌龙茶   绿茶   鲜叶   氨基酸   模式识别  

摘要： 为探明乌龙茶品种鲜叶游离氨基酸的组成轮廓特征,以绿茶品种春季幼嫩鲜叶(一芽二或三叶)和成熟鲜叶(中小开面二至四叶)为对照,对采自乌龙茶品种春、秋两季的幼嫩和成熟鲜叶进行高效液相色谱检测分析和统计模式识别。结果表明,茶树品种、芽叶嫩度和采摘季节对供试鲜叶游离氨基酸组成轮廓均有影响。全部供试茶样可按茶树品种特性划分成乌龙茶与绿茶品种2大类群,且芽叶嫩度对乌龙茶鲜叶游离氨基酸组成轮廓的影响仅次于茶树品种特性引起的茶样组群差异。绿茶与乌龙茶品种春季幼嫩鲜叶、绿茶与乌龙茶品种春季成熟鲜叶、春季乌龙茶品种幼嫩与成熟鲜叶、秋季乌龙茶品种幼嫩与成熟鲜叶、春季和秋季乌龙茶品种幼嫩鲜叶及春季和秋季乌龙茶品种成熟鲜叶间存在客观的类群区分。不同鲜叶来源对供试茶样的游离氨基酸总量及大部分游离氨基酸组分均有显著或极显著影响。较高的甘氨酸、亮氨酸、赖氨酸含量和较低的γ-氨基丁酸含量是乌龙茶品种有别于绿茶品种春季鲜叶的主要差异性成分;相同采摘季节的乌龙茶品种幼嫩鲜叶相较成熟鲜叶拥有更高的精氨酸含量,而不同芽叶嫩度的春季和秋季乌龙茶鲜叶存在不同的差异特征组分。因此,茶树品种遗传特性是影响茶树鲜叶游离氨基酸组成轮廓的主导因子,乌龙茶特定的鲜叶游离氨基酸组成化学模式为其加工品质的形成提供了必要的物质基础。

关键词： 国际体育计算机科学研讨会   机器学习   计算机视觉   数据挖掘   模式识别   虚拟现实   建模与预测   运动表现分析  

摘要： 第14届国际体育计算机科学研讨会于2023年9月27日—30日在浙江大学教育学院成功举行,汇聚了来自德国、奥地利、西班牙、瑞士、土耳其、爱尔兰、韩国、日本、新加坡、澳大利亚和中国的35所大学和科研机构,近百名专家、学者和学生,共同探索体育科学与计算机科学等多学科的交叉研究。会议精选了67篇论文、5个主旨报告和2个工作坊,包括体育领域中的机器学习、计算机视觉、数据挖掘、模式识别、数据库、大数据、建模与预测、传感器,以及球类、田径、跆拳道、射箭等比赛数据和运动表现分析等主题。这些研究为体育科学领域带来了崭新的见解,展现了多学科、跨领域合作研究的重要性及发展潜力。

关键词： 表面肌电信号   踝关节运动   模式识别   卷积神经网络  

摘要： 采用两个无线表面肌电信号采集器,采集人体小腿比目鱼肌和腓骨短肌的踝关节背曲、跖曲、内翻、外翻动作信号,对两通道的原始信号进行归一化,将归一化后的数据输入到卷积神经网络,对踝关节4种运动进行模式识别。实验采集6名健康被试,针对单个被试的最高分类准确率为98.19%,平均识别率为97.04%,模式识别模型和采集通道能以较高分类准确率区别踝关节的4种动作。针对6名被试的整体分类识别率为95.11%,说明个体之间的肌电信号存在共性。

关键词： 煤矿企业   信息化建设   数据融合   模式识别   管理工作  

摘要： 对于煤矿企业而言,信息化建设工作应将底层数据的管理作为重点。底层数据来自各项生产工作的自动化子系统,关系到生产工作的安全。在实际工作中,通过将生产子系统的数据进行融合,并以具体的资源需求为依据,开展模式识别与特征提取工作,才能够掌握各子系统的真实情况,保证安全生产,使煤矿企业能够安全运营。因此,煤矿企业在开展信息化建设工作时,应加强底层数据的数据融合与模式识别。为此,本文对煤矿信息化建设之数据融合与模式识别的要点进行了论述,以供参考。

关键词： 人工智能   模式识别   美国国防部   克雷格   国防工业基础   全球视野   无人机  

摘要： 美国国防部公布新的数据和人工智能战略美国“C4IRSNET”网站2023年11月3日消息,11月2日,美国国防部发布题为《2023年数据、分析和人工智能应用战略》的战略文件,旨在推动对人工智能、先进模式识别和包括无人机在内的自主技术进行额外投资。该文件是2018年首次发布的蓝图更新版本,文件中,国防部预测人工智能将“改变每个行业”并影响国家安全的各个方面。首席数字和人工智能官(CDAO)克雷格·马泰尔表示,文件考虑到人工智能在国防工业基础中的显著增长,并称:加速采用先进的数据、分析和人工智能技术,为各级部门领导提供了前所未有的机会,使他们能够更快地做出更好的决策。

关键词： 水文模型知识   自然语言处理   命名实体识别   BERT模型   模式识别   知识抽取  

摘要： 为研究水利领域知识图谱构建中基于文本的知识自动抽取方法,本文以水文模型的名称、模拟要素、应用流域、计算时段、精度、继承-发展关系、研发人、研发单位等知识抽取为例,以883篇水文模型领域中文期刊论文为数据源,构建了BERT-Base-Chinese模型、LAC(Lexical Analysis of Chinese)工具、模式识别联合的多策略水文模型命名实体识别方法。本文采用五位序列标注法(BMOES)方法对期刊论文进行人工标注等处理,建立知识抽取的输入数据集,用于BERT模型训练以及多策略识别方法的性能评价。识别结果显示:多策略识别方法对8种水文模型领域命名实体识别结果精确率和召回率的调和平均数(F 1值)均达到90%以上;针对不同实体类别,采取不同的命名实体识别方法较单BERT模型识别方法能有效提高识别性能。本文提出的方法可为水利领域其他场景的知识抽取提供参考,为领域知识图谱构建提供支撑。