模式识别报告一

模式识别报告一（通用8篇）

模式识别报告一 篇1

模式识别文献综述报告

一，文献综述报告

阅读至少5篇论文（最好包含1篇英文论文；自己去学校电子图书馆下载，考虑中国知网；IEEE，Elsevier等数据库），写一篇文献综述报告。

1.选题不限，可以是任何一种模式识别算法（例如k-means，kNN，bayes，SVM，PCA，LDA等），阅读所选题方面的相关文献（论文都是关于一个主题的，例如都是svm算法方面的）。

2.写一份文献综述报告，包括：每篇论文主要使用什么算法实现什么，论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么），论文中做了什么对比试验，实验结论是什么？注意，尽量用自己的话总结，不要照抄原文。可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？

3.把阅读的参考文献写在报告后面。（包括：作者；论文名称；期刊名称；出版年，卷号（期号），页码。例如：[1] 赵银娣，张良培，李平湘，一种纹理特征融合分类算法，武汉大学学报，信息科学版，2006,31(3):278-281.）

二、写一下学习这门课的心得体会（占分数）。

学习这门课有什么收获？老师在教学中还应该加入些什么教学内容？或者有哪些教学内容需要删减？需要调整？对于作业（上机实验）内容有什么意见和建议？目前内容过多过难还是适中？你希望出什么样的上机题目（可以得到好的锻炼和能力的提高）？完成作业过程中有什么收获和体会？有没有对模式识别或者某种模式识别的算法比较感兴趣？有什么想法？

数字图像模式识别 篇2

深圳市南山区学府路；***、lixia_2011@126.com

求职意向

数字图像处理、模式识别算法工程师 教育经历

汕头大学 电子工程系 信号与信息处理专业 硕士2007.9—2010.6 汕头市

·在校期间成绩优良，分别一次获汕头大学一等、二等奖学金；2008 09担任女生部部长负责统筹管理，成立特色学科及基础学科研讨组，积极开拓学生的思维并提高他们的学习成绩，更贴近社会的新路线。

潍坊学院 信息与控制工程学院 电子信息工程 学士2003.9—2007.6 潍坊市

·2007年9月以第一名成绩考入汕头大学攻读硕士研究生；在校期间担任班级学习委员负责不同类学生的学习方法指导；2004-9-2007-6担任学院文艺部部长，负责迎新晚会筹划，锻炼了团队领导能力、协调能力、临场反应能力以及创新思维。英语及专业技能

●熟练掌握了数字信号处理及它的常用算法、有良好的数学功底；熟悉图像处理的基本算法、熟悉模式识别基础知识与智能系统理论及它们的应用，在模式识别和运动跟踪方面有较深的理解；熟悉光伏应用系统的结构、性能原理；曾在核心期刊系统仿真技术发表文章（基于神经网络应用的光伏最大功率跟踪）。

●英语：六级考试 362；四级考试 473；具有较强的相关专业学科的英文文献阅读能力； ●能熟练使用计算机，会用电路仿真软件、LabVIEW软件、熟练掌握Visual C++的MFC程序设计和MATLAB仿真工具，能够做算法的设计和仿真；并能应用LabVIEW软件进行信号处理（波形测量、时频域分析与数学分析（概率统计拟合最优化等）。工作经历

2010 6-2010 8深圳市辉锐天眼科技有限公司担任核心研发工程师 ●职位为智能监控核心研发工程师

●负责计算机视觉方面的IEEE文章的讲解及不同算法的实现研究，负责机器视觉系统图像处理、分析及识别算法设计、实现，参与图像处理技术研究与设计，对已有算法进行优化改进。使用OpenCV进行背景/前景提取、检测识别、了解运动跟踪的常用算法、设计相关信号特征提取算法及其设计模式识别分类器等。项目经验

2008 09-2009 11模式识别与智能系统理论的算法研究 ●算法在MATLAB仿真，并在SIMULINK中建模，最后把这个算法用C++语言编程，在VC++中生成了可执行文件。

2009 01-2009 06生物细胞图像病变检测算法研究 ●在MATLAB中仿真了算法，正确率达到82%。

2009 07-2009 09图像压缩算法编码器设计 ●在FPGA芯片上实现并验证了方案，对比得出了FPGA比DSP在神经网络实现上的明显优势，前者采用指令顺序执行的方式，数据位宽固定，FPGA处理数据的方式是基于硬件的并行处理方式，即一个时钟周期内可并行完成多次运算，特别适合于神经网络的并行特点。2010 02在科进生物识别公司 ●了解了不同二维条码尤其QR code的特点，探讨了定位图形的方法，了解了指纹识别，探讨了小波变换及gabor变换在纹理图像的特征提取的优劣。自我评价及爱好

车牌识别系统实验报告 篇3

专

业：

计算机软件与理论

年

级：

2018 级

学

号：

12018000758

姓

名：

何勇

2019 年 8 月 21 日

车牌识别系统（VLRP）实验报告

一、实验目的 1、了解车牌识别系统及其应用； 2、结合本门课程所学内容，设计一个车牌识别系统并实现。

二、实验 原理 1、图像预处理：

针对车牌的颜色特征，利用 hsv 色域进行二值化，并进行膨胀和去噪处理。摄像时的光照条件，牌照的整洁程度，摄像机的状态（焦距，角度和镜头的光学畸变），以及车速的不稳定等因素都会不同程度的影响图像效果，出现图像模糊，歪斜或缺损，车牌字符边界模糊不清，细节不清，笔画断开，粗细不均等现象，从而影响车牌区域的分割与字符识别的工作，所以识别之前要进行预处理。、车牌定位：

对预处理后的图片进行区域标记，根据各连通量的长宽比以及黑色像素所占比例定位车牌位置。从背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图象中分割出来。、字符分割：

完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。在本次系统开发中，字符分割采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符尺寸限制和一些其他条件，利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。、字符识别：

用图像分类和识别中的所学内容对字符识别，比如基于模板匹配算法、基于支持向量机或基于神经网络的方法。我选择的是基于 BP 的神经网络算法。将分割出来的字符做 n 等分分割，统计个等分块内的黑像素比例，并与特征库比对，识别字符。

三、系统流程图

开始车辆图片预处理车牌定位BP神经网络特征提取字符分割字符识别画出字符结果结束

四、实验步骤 4.1 基于颜色的 BP 神经网络车牌定位

图 4-1 车牌定位流程图

图 4-2 车牌底色库部分样本 建立车牌底色库，在本论文中仅对蓝底白字车牌进行研究。对于这些车牌样本，将其从 RGB 色彩空间转换为得到其 CR CB 红色及蓝色分量。对车牌样本每个像素，均可得到其 CR CB。而我们关心的只是两种像素，即蓝色非蓝色像素。对于蓝色的像素，在转换为 CR CB 后其对应的 BP 神经网络映射关系为输出为1。非蓝色的像素，在转换为 CR CB 后相对应的 BP 映射为输出为 0。由于 BP神经网络要求输入值 0 到 1，所以 CR CB 还需作简单的处理，把它转为符合要求的输入。

到此，用于进行车牌定位的 BP 神经网络模型有了输入层及输出层。即，输入层含两个神经结点（某像素的 CR CB 分量），输出层仅一个神经结点（对应逻辑关系为这个像素在视觉上是否为蓝色），中间层设计为仅含 4 结点的一层。

设计好 BP 神经网络模型后，将车牌的底色投入训练，在网络收敛后可用。这时的神经网络可以认为是已具备区分蓝色及非蓝色的能力了（对于训练得到的权值保存到一个文件 CharBpNet.txt 中，以便在恢复网络时直接读取而节省大量的训练时间）。然后对任意的一张含车牌的图像每个像素，将它投入网络当中，如果网络认为是蓝色的（结点输出为范围在 0.8—1.0 间的），那么将此像素映射成 255；如果网络认为非蓝色的（结点输出范围在 0—0.8 间），那么将此像素映射成 0。这样我们可以得到除了一张二值图像外，还可以将车牌从复杂的自然图像分离开来（当然这是从十分理想的角度出发的，实际上当车辆颜色也是蓝色的时候是无法分离的）。

图 4-3 左图为自然车辆图像，右图为经 BP 神经网络后得到的二值图像

4.2 基于图像投影技术的车牌分割 图像投影技术一般分为水平投影和垂直投影。所谓投影就是对图像的某种特征的统计，然后以直方图形式反映其特征强度。一般是对二值图像而用的，水平方向的投影就是每行的非零像素值的个数，在这里就是 1 或者 255，垂直投影就是每列图像数据中非零像素值的个数。

由于车牌字符在车牌上，所以这部分可以认为是对字符的粗定位或车牌的精确定位。在设计上算法上可以这样做。对二值图像分别作水平和垂直方向的投影，得到其直方图分布，然后分别在波峰的地方作直线，这样水平方向和垂直方向共计四条直线，它们相交形成一矩形，此矩形即为车牌的大概位置。

图 4-4 将要进行投影的二值图像

4.2.1 水平投影技术

逐行统计白点直方图显示投影统计结果波峰即车牌上下边缘

图 4-5 车牌水平投影效果图 按行累加每个像素点的灰度值做投影，横坐标为灰度累加的和，纵坐标为图像的行数，即可确定车牌区域上下边缘。水平分析算法如下：

1)从下向上逐行扫描图像，记下每行中灰度值为 255 的像素点的个数； 2)找到第一个灰度值为 255 的像素点的个数大于某个阈值的行(并且紧挨着的若干行都满足个数大于某阈值)，记录下行号，即为车辆牌照最下边缘； 3)然后继续扫描，找到第一个灰度值为 255 的像素点的个数小于阈值的行(并且紧挨着的若干行都满足个数大于某阈值)，记录下行号，即为车辆牌照的最上边缘； 4)这时不再继续扫描，根据记录的两个行号，对原始图像进行裁剪； 5)得到裁剪后的图像，即为水平方向定位的牌照图像区域。

4.2.2 垂直投影技术

图 4-6 车牌垂直投影个效果图 按列累加每个像素点的灰度值做投影，横坐标为灰度累加的和，纵坐标为图像的行数，即可确定车牌区域左右边缘。垂直分析算法如下：

1)从左向右逐列扫描图像，记下每行中灰度值为 255 的像素点的个数； 2)找到第一个灰度值为 255 的像素点的个数大于某个阈值的列(并且紧挨着的若正列都满足个数数大于某阈值)，记录下列号，即为车辆牌照最右边缘； 3)然后继续扫描，找到第一个灰度值为 255 的像素点的个数小于阈值的列(并且逐列统计白点直方图显示投影统计结果波峰即车牌左右边缘

紧挨着的若干列满足个数大于某阈值)，记录下列号，即为车辆牌照的最左边缘； 4)这时不再继续扫描，根据记录的两个列号，对原始图像进行裁剪； 5)得到裁剪后的图像，即为垂直方向定位的牌照图像区域。

分别投影后效果如图 4-7 所示：

图 4-7 分别投影后效果图 值得一提的是并不是所有的自然车辆图像经BP神经网络动作后都那么完美的，这也是为什么在求车牌各个边缘的时候设定一个阈值（并且紧挨着的若干行都满足个数大于某阈值）的原因。如图 4-8 所示：

图 4-8 示例图 经过对车牌的二值图像的水平和垂直投影后，我们已经得到了车牌的精确位置，也即字符的所在区域。至此，我们可以把注意力从原始的二值图像集中到二值图像中的车牌局部区域来（即如何从车牌中分割出每个字符）。

除了可用比例的方法来进行字符分割外，本文采用一种适应性更好的基于投

影技术来进行分割。字符分割处理采用基于投影特征值的方法，对于数字及字符，由于它们都属于连体字，因此只需在字符或数字之间找到一条无边的空白区（窄的区域），即可实现数字及字符之间的分割处理。

图 4-9 即将进行字符分割的车牌图像 显然要在上图中分割出字符，只需在车牌内（白色矩形）对字符作像素为255 的垂直投影，具体方法如下：

按列累加每个像素点的灰度值做投影，横坐标为灰度累加的和，纵坐标为图像的行数，即可确定车牌区域左右边缘。垂直分析算法如下：

1)从左向右逐列扫描图像，记下每行中灰度值为 0 的像素点的个数； 2)找到第一个灰度值为 0 的像素点的个数大于某个阈值的列(并且紧挨着的若正列都满足个数数大于某阈值)，记录下列号，即为车辆牌照最右边缘； 3)然后继续扫描，找到第一个灰度值为 0 的像素点的个数小于阈值的列(并且紧挨着的若干列满足个数大于某阈值)，记录下列号，即为车辆牌照的最左边缘； 4)这时不再继续扫描，根据记录的两个列号，对原始图像进行裁剪； 5)得到裁剪后的图像，即为垂直方向定位的牌照图像区域； 6）保存每个字符的区域坐标。效果如图 4-10 所示：

图 4-10 字符分割效果示意图 逐列统计黑点直方图显示投影统计结果波峰即字符边缘

4.3 基于 BP 神经网络的车牌字符识别

4.3.1 车牌字符库的建立 字符库的建立是为字符的识别作准备的，字符库要求每个字符按一定标准保存，如保存格式一致，大小规格相同，每个字符的数目相同等等。在本次车牌识别系统研究中，只对数字及字母作研究，对汉字不作研究，所以共计 34 个不同各类的字符。数字 0 和字母 o，数字 1 和 i 为均认为是同一字符，每个字符用程序获取 10 个不尽相同的字符，字符库的建立是为了训练 BP 神经网络的样本。

4.3.2 图像的缩放技术 在计算机图像处理中，图像缩放是指对数字图像的大小进行调整的过程。图像缩放是一种非平凡的过程，需要在处理效率以及结果的平滑度和清晰度上做一个权衡。当一个图像的大小增加之后，组成图像的像素的可见度将会变得更高，从而使得图像表现得更“软”。相反，缩小一个图像将会增强它的平滑度与清晰度。

本次系统开发中，我采用最邻近插值法将每个字符都归一化到 6*12 的统一规格中去，所谓的最近邻插值，通俗理解就是将每一个原像素原封不动地复制映射到扩展后对应四个像素中，效果图 4-11 所示：

图 4-11 归一化前的各字符 归一化后各字符一次为：。

4.3.3 字符的保存 首先给字符编号，0-9 分别编号为 00-09，A-Z 分别编号为 10-33。在本文中，字符的保存格式为 raw 原始图像数据文件，命名依次为 000raw 到 339raw。即不超过 340 的三位数加格式名 raw，前两位数代表这个字符的编号，第三位数 n 代表这字符是第 n 张字符，如某字符某名为 089raw 即意味着这字符代表数字 8，它在库中是第 9 张(从第 0 张开始计数)。又如 330raw 代表着这字符为字母 Z，它是第 0 张。为了使字符库的字符和待识别的字符尽量保持一致性，字符的建立是通过程序的方法获得的。具体做法如下：

1）分割车牌中的每个字符； 2）将各个字符逐一归一化到 6*12 统一标准； 3）将归一化的字符按一定的标准命名保存即可。

最后得到了 340 张不同的共 34 种的格式为.raw 的文件，用程序显示这些字符库如图 4-12 所示：

图 4-12 字符库示意图 4.3.4 字符识别 建立字符库后，设计识别字符的神经网络。

首先设计输入层及输出层。字符库中每个标本，均是 6*12 的标准二值图像。对字符的特征，我采用像素法，即某个字符的像素是 255 时，神经结点输入为0.9，像素值是 0 时，神经结点输入为 0.1，这样输入层就有 6*12 共 72 个结点。输出层采用了34结点，如当导师信号为A编号10时，就在第10个结点设为0.9，其他均为 0.1。至此，用于进行车牌定位的 BP 神经网络模型有了输入层及输出层。即，输入层含 72 个神经结点（对应字符的每个像素），输出层 34 个神经结点（对应逻辑关系为属于编号第 N 个字符）。中间层设计为仅含 50 结点的一层。

设计好 BP 神经网络模型后，将车牌的字符投入训练，在网络收敛后可用（实际在论文完成的过程中，并没有出现收敛，而是达到训练次数后停止训练，这个次数 10000*72 是在实验过程中测试后决定的，同样不保证最优）。这时的神经网络可以认为是已具备区分 34 个不同字符的能力了。然后对任意的一个从车牌分割得到的字符进行归一化之理后，依次假设其分别是编号 0 到 33，并且求出每个编号对应的误差，最后在 34 个不同的误差中找出最小的那个编号，找到的编号即对应的字符了。如某分割的字符投入网络后得到的最小误差编号为 10，那么认为这个字符为 A。

把从车牌分割下来的字符全部投入动作后得到的字符串即车牌的号码了。效果如图 4-12 所示：

图 4-13 字符识别效果图

五、实验结果分析 本次基于颜色和 BP 神经网络的车牌识别系统已基本完成，实验也达到预期的效果。但是问题仍旧存在。实验结果显示如表 5-1 所示：

教您如何识别SGS报告 篇4

教您如何识别SGS报告

1.看报告的测试机构.一般写在开头,是测试机构的英文缩写,字体较大,如:SGS,ITS,AOV,CTI等,没有这个标志的报告不行.2.看报告编号.一份报告可能有一张或者更多的页数.你要注意同一份报告的每一张纸的报告编号都是一样的,如果不是一样的,那么就不是同一份报告.3.看日期.主要是确认一下产品测试的时间是否太长,一般是以一年为期限,有的韩国公司是要求三个月测一次,有的是要求每批货都要测试,看客户的要求.4.看页数.一般报告上会写上页数,如:“1 TO 4” 这个就有四页,第一页就是“1 TO 4”,第二页就是“2 TO 4”,最后一页就是“4 TO 4”,要注意供应商给你的报告是否有少了页数,不然,报告就无法使用.5.看测试单位和单位的地址,这个不难.目的是防止供应商拿别的厂家的报告给你,冒充是环保的产品.6.看测试样品.一般英文报告内会有这样的字样:Report on the submitted sample said to be__(样品的名称)__,你只要关注said to be后面的东西就可以了.如果不认识那个专业的英语单词或词语,可以查字典.7.看检测的项目.也就是Test Requested ,上面会清楚的写有测试的是RoHS四项还是

RoHS六项.你要注意的是,看样品本身是要测试几项,如:金属要测试四项,非金属要测试六项.如果你所拿到的报告是测试非金属的,但测试项目里只有四项,那报告本身是不符号RoHS标准.注:四项是铅Pb、镉Cd、汞Hg、六价铬Cr6+、六项是禁用：铅Pb、镉Cd、汞Hg、六价铬Cr6+、多溴联苯PBBs、多溴联苯醚PBDEs.8.看测试方法.即Test Method,上面会写测试的仪器.9.看测试结果---Results,只要不超标就可以,这六项里面除了镉Cd的限值是100PPM,其它的都是1000PPM.10.看样品描述,这个有时侯在测试结果里,有些在报告的最后,可以看一下描述的样品是否跟供应商提供给你的产品是一样的.11.看报告最后是否有(报告结束--End of Report)或者以下空白的字样.这样就代表了报告到此为止.12.看每一页是否有测试机构的负责人盖章或签字,这个很重要,防止假报告.

模式识别报告一 篇5

阅读下面文字，完成13-14题。（9分）纳尔逊·曼德拉当选南非总统时已是76岁高龄的老人。他能够胜任总统职务，得益于他仍然具有清晰的思维。其实，在生活中有些人直到晚年认知能力不减当年，并获得许多创造性的成就，其原因就在于人虽然老了，智慧却还存在。什么是智慧呢？一般认为智慧指的是将新旧事物联系起来，并将先前的经验拿来解决新问题的能力。而这种能力可以抵御大脑的衰老。那么，大脑神经机制中的什么东西可以让智慧来抵御大脑的衰老呢？这就是大脑的模式识别功能。模式识别是指有机体将新的对象或问题识别为已熟知的对象或问题。其实，人们在生活中的种种行为都体现了大脑的模式识别功能，即人的行动首先是由大脑的模式识别来认知事物和物体，然后用先前的经验来完成特定的动作和任务。例如，清晨你会走进盥洗室看到熟悉的牙刷、牙膏，接着会自然地拿起牙刷，并挤上牙膏，刷牙。如果没有模式识别，人们就不得不重新认识每个对象、每件事物和每个问题，也就无法用先前的经验来解决问题。所以。研究表明，人特定的模式识别能力虽然在生命的早期就能够显现出来，但即使是最基本的模式识别机制，也需要周围环境提供的刺激才能发挥出来。模式识别机制发挥作用后，才能提取大脑中已有的智慧来解决问题。决定一个人在年老时是否还有生存竞争力的重要智慧，是个人从事某一专业或行业多年后所积累的智慧。一个人随着年龄增长，他的大脑会随之衰老，神经细胞也会减少。但是，经年累月的生活和工作使许多智慧贮存在大脑中，并且可以通过模式识别来开启并调取出来使用，这就有可能使人完成正常的工作，甚至创造出优异的成果。因此，人虽衰老了，但“大脑”未必会衰老。13．从下列句子中，选择一个填入文中横线处，使前后文意思连贯。（4分）【甲】大脑中的模式识别是一座平台【乙】大脑中的模式识别是一个开关【丙】大脑中的模式识别是一条通道14．本文是针对什么问题进行说明的？又是如何展开说明的？（5分）参考答案：：13．乙（4分。选乙，4分；选丙，2分；选甲，0分）14．本文是针对“人老了，智慧为什么仍然存在”（或：大脑神经机制中的什么东西可以让智慧来抵御大脑的衰老）的问题来说明的。文章首先说明人的智慧可以抵御大脑的衰老，是因为大脑具有模式识别功能；其次举例具体说明模式识别的功能和作用；最后说明人虽然老了，但是旧有的许多智慧仍然可以通过模式识别来开启并调取出来使用。（5分。针对问题，2分；展开说明，3分）

模式识别报告一 篇6

利用电喷雾质谱(ESI-MS)法建立龙胆质谱指纹图谱,研究其中代表性裂环烯醚萜苷类成分的`ESI-MS规律.采用甲醇超声法提取龙胆中裂环烯醚萜苷类成分,在正离子方式检测模式下直接进样,应用一级全扫描质谱建立其特征图谱.运用化学模式识别方法对图谱数据进行分析,发现秋季龙胆样品的聚集程度优于春季龙胆样品,根据春季、秋季药材样品的差异,可以对采收期进行区分;裂环烯醚萜苷类成分在二级质谱中易发生脱水、乙酰基、葡萄糖基等.电喷雾质谱法的精密度、稳定性、重现性均符合要求,且具有特征性强、分析速度快、样品用量少等优点.

作 者：齐静静 苑桂鑫 宋凤瑞 刘志强 王琦 刘淑莹 QI Jing-jing YUAN Gui-xin SONG Feng-rui LIU Zhi-qiang WANG Qi LIU Shu-ying  作者单位：齐静静,QI Jing-jing(中国科学院长春应用化学研究所,吉林,长春,130022;吉林农业大学,吉林,长春,130118)

苑桂鑫,宋凤瑞,刘志强,刘淑莹,YUAN Gui-xin,SONG Feng-rui,LIU Zhi-qiang,LIU Shu-ying(中国科学院长春应用化学研究所,吉林,长春,130022)

模式识别报告一 篇7

摘要：针对当前多级模糊模式识别方法依赖检测时间,对水质进行评价结果不够全面的问题,提出一种基于混合属性的多级模糊模式识别的方法对水质进行较全面评价.该方法综合确定水质各项指标的权重,并结合影响水质的环境因素,实现了可不完全依赖检测时间的`具有预测功能的水质评价,为科学、合理治理水污染提供更准确依据.实例验证表明,该方法水质评价结果合理.作 者：谢志强 张豪 杨静 XIE Zhi-qiang ZHANG Hao YANG Jing 作者单位：谢志强,张豪,XIE Zhi-qiang,ZHANG Hao(哈尔滨理工大学,计算机科学与技术学院,黑龙江,哈尔滨,150080)

杨静,YANG Jing(哈尔滨工程大学,计算机科学与技术学院,黑龙江,哈尔滨,150001)

模式识别报告一 篇8

基于模糊C-均值的原型模式选择及其在核爆地震识别中的应用

协同模式识别是一种全新的有着抗噪声、抗缺损等诸多优良特性的模式识别方法,但将其用于核爆地震和天然地震的分类时,采用现有的原型模式选择方法识别效果并不理想.本文提出了一种基于模糊C-均值的`原型模式选择方法,该方法首先对每一类训练样本采用模糊C-均值聚类的方法聚为c类,然后选取这c类的c个重心或c个聚类中心作为该类的原型模式进行核爆地震的协同模式识别.实验结果表明,同现有的原型模式选择方法相比,该方法使识别率有了较大提高.

作 者：韩绍卿 李夕海 宋仔标 刘代志 HAN Shao-qing Li Xi-hai SONG Zi-biao LIU Dai-zhi  作者单位：第二炮兵工程学院,西安,710025 刊 名：核电子学与探测技术  ISTIC PKU英文刊名：NUCLEAR ELECTRONICS & DETECTION TECHNOLOGY 年，卷(期)： 27(5) 分类号：O235 关键词：协同模式识别   原型模式   模糊C-均值   核爆   天然地震