开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。
根据不同木材表面的光谱反射率差异可以对木材树种进行分类识别。在木制家具及工艺品的生产实践中,考虑到防止木材腐败、开裂,美化木制品外表及延长木制品使用寿命等原因,经常需要在木材表面涂抹某种涂饰。涂抹涂饰将导致木材表面光谱反射率曲线产生漂移和变形,经实验验证无法使用原始木材表面的光谱反射率训练出的分类器模型对涂饰木材光谱曲线进行分类识别。相对于原始木材光谱曲线,涂饰木材光谱曲线的漂移和变形可以用非线性模型来拟合;而这种非线性拟合一般使用神经网络来实现。为了能够继续使用原始木材光谱反射率训练的分类器模型,使用全连接神经网络拟合了原始木材光谱反射率和涂饰木材光谱反射率之间的关系模型,通过该模型对涂饰木材光谱反射率进行校正,实现使用原始木材光谱所训练的分类器模型对涂饰木材进行分类识别的目的。此外,还使用卷积神经网络对光谱反射率提取卷积特征,引入表征原始木材光谱反射率和涂饰木材光谱反射率的卷积特征之间关系的隐藏层,将涂饰木材光谱反射率的卷积特征进行校正,并通过输出层输出其分类结果。为了验证所提出的校正模型的有效性,本文以20种木材样本的近红外光谱(950~1650 nm/near infrared spectra,NIR)和可见光/近红外光谱(350~1000 nm/visible and near infrared spectra,VIS/NIR)为研究对象,对比了8种不同涂饰建立的校正模型性能。实验结果表明,NIR的校正分类效果要好于VIS/NIR的校正分类效果;卷积神经网络的校正模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至70%以上;全连接网络模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至80%以上,但两种模型都无法对非透明涂饰进行校正。从模型的训练速度和识别效率上看,卷积神经网络的校正模型要好于全连接神经网络的校正模型。综上所述,通过神经网络建立起的原始木材光谱反射率和涂饰木材光谱反射率之间的非线性关系模型,可以对涂抹透明涂饰的木材光谱曲线进行校正。进而实现直接使用原始木材光谱反射率所训练出的分类器模型对涂抹透明涂饰木材光谱曲线进行分类识别,使得木材树种分类识别应用领域从原始木材扩展到涂抹透明涂饰木材,具有较好的实际应用意义和前景。
音质(Timbre)是音乐感知和言语识别的重要线索。传统音质分析方法无法同时获取理想的时间分辨率和频域分辨率,对音频的非平稳特性没有很好地处理。本文采用时变滤波经验模态分解(Time Varying Filtering based EMD,TVF-EMD)方法提取音...
详细信息
音质(Timbre)是音乐感知和言语识别的重要线索。传统音质分析方法无法同时获取理想的时间分辨率和频域分辨率,对音频的非平稳特性没有很好地处理。本文采用时变滤波经验模态分解(Time Varying Filtering based EMD,TVF-EMD)方法提取音频的固有模态函数用于希尔伯特变换,并构建了音质的希尔伯特频谱分布特征和希尔伯特轮廓特征。在乐器分类问题中,将提取的两类音质特征与Mel倒谱系数特征(Mel Frequency Cepstral Coefficients,MFCCs)有效结合,然后构造基于双向长短时记忆网络的音质时序分类器,在公开乐器演奏音频数据库中进行了乐器分类实验。结果表明,所提出的音质特征可以有效补充Mel倒谱特征等传统特征无法表达的非线性非平稳信息,大大提高了本音质表征方法对复杂音频的适应性和鲁棒性。
暂无评论