本文探究了采用细铁尾矿砂(FIOTS)代替石英砂(SS)制备高强碱激发砂浆(HAAM)的可能性。以粉煤灰和矿粉作为碱激发材料的前驱物, 利用MTS万能试验机研究FIOTS/SS质量比及养护条件对粉煤灰-矿粉基HAAM基本力学性能的影响, 结合X射线衍射(XRD)、电子扫描电镜(SEM)和能谱仪(EDS), 揭示碱激发产物的微观物相组成、形貌特征及化学组成与宏观力学性能的关系。试验结果表明, 随着FIOTS/SS质量比的增加, HAAM的抗压强度与劈裂强度逐渐降低。室内养护下HAAM的力学性能最高, 其次是标准养护和水中养护, 同时水中养护试件力学性能的降低程度随FIOTS替代率增加而更加显著。HAAM力学性能的降低主要由于FIOTS中的Fe元素抑制碱激发反应过程, 并生成对力学性能无益的矿物相。

钼尾矿具有高结晶度的矿物相和低品位的金属元素, 开发利用性难, 环境危害大。本文基于钼尾矿的矿物学特性, 结合X射线衍射仪和扫描电子显微镜研究了热处理温度和时间对钼尾矿物相成分和微观形貌特征的影响, 揭示了钼尾矿热活化改性机理; 基于最优热处理温度, 成功制备出碱激发地质聚合物(AAG)胶凝材料, 并研究了热处理时间对其固化时间和抗压强度的影响。研究结果显示: 850 ℃热处理2 h显著提高了钼尾矿中活性硅(铝)组分的含量; 钼尾矿颗粒的表面粗糙度随着热处理时间增加而增大, 其火山灰活性得到显著提高; 由经过850 ℃热处理2 h的钼尾矿制备的AAG在室温条件下固化时间显著降低, 相较于由未处理钼尾矿制备的AAG, 固化时间由168 h缩短至48 h, 且养护14 d后的抗压强度提高了2倍, 达到了35.7 MPa。研究结果拓宽了可用于合成地质聚合物的原料来源, 为钼尾矿在建筑材料方向的利用提供了一种可行的活化改性方案。

为了实现在遥感图像处理过程中准确地提取到有效地物信息,缩短分类用时,将卷积神经网络(CNN)模型引入遥感图像地物分类,首先提出由图片模糊加权平均(PFWG)改进的CNN分类方法,利用模糊几何聚类算法作为预处理单元对实验样本进行特征规划,并对遥感地物信息进行多源特征决策,简化了分类过程,加快了CNN模型的收敛速度。实验结果表明,利用PFWG改进的CNN分类方法总体分类精度达到了93.73%;Kappa系数为0.94。该方法有效地弥补了CNN自身对遥感图像分类不够细腻、表达效果差的缺点,较好地完成了多光谱遥感图像分类任务,同时具备一定抗干扰能力。

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单, 导致手语识别率较低的问题, 本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合, 通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到, 其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象, 使用“dropout”方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法, 在“hand”数据库中, 对32种势的识别率为97.73%。相比一般的手语识别方法, 此方法鲁棒性更强, 并且识别率更高。

手语特征提取的传统算法仅仅依靠底层特征完成识别,难以获得高层语义特征,进而对手语理解产生分歧。针对这一问题,将图像语义分析的思维引入手语识别研究中,提出一种优化全卷积神经网络算法。采用全卷积神经网络提取手语图像的语义特征,并通过判别随机场进行语义标注做后期平滑处理,恢复像素间的细节信息,从而完成手语识别。实验结果表明,所提出的算法具有较强的稳健性,能有效学习到语义特征。与传统算法对比分析表明,此方法能精准的识别到手语,其平均识别率达97.41%。

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力，但是WNN算法存在易陷入局部极小值，收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补，已结合应用于语音识别中。本文对ABC算法做出改进，在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程，采取自适应的双搜索方式(Adaptive Double Search)求解，从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合，组成一种训练神经网络的新算法ADSABC-WNN，该算法既能克服WNN算法的缺点，又能保存双方的优点。实验结果表明，与传统ABC算法优化小波神经网络相比，识别率提高均有所提高，其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较，在噪声环境下，该混合模型可以有效地减少识别时间，而且可以明显提高网络的训练速度和语音识别的识别率。

针对实时、大词汇集、连续的手语视频高效准确地识别,提出了一种基于压缩感知与加速稳健特征(SURF)的手语关键帧提取算法。利用压缩感知将手语视频降维成低维多尺度帧图像特征,通过自适应阈值完成子镜头分割,以处理大量的手语帧数据;运用SURF特征点完成特征匹配,绘制其间的相似度曲线进而提取关键帧。在前期预处理阶段,采用基于HSV空间自适应颜色检测提取手势区域。实验验证,由本文算法提取到的关键帧具有较高的准确性,且算法具备处理大量复杂数据的能力。

颜色特征能够有效地表征图像的颜色分布。但是,现有的颜色特征提取算法基于单一色彩空间,颜色矩作为最常用的全局颜色特征向量,往往会因为忽略图像的空间特征导致检索错误。针对上述不足,提出了一种基于混合色彩空间分块颜色特征提取算法,并将所提取的颜色特征与纹理特征相结合,用于图像的分类识别中。实验结果证明:无论是国画还是普通图像,分类识别过程中,本文算法相比普通的单一色彩空间颜色特征提取算法,其查准率和查全率均得到明显提高,并且图像分块之后,其查准率和查全率还能进一步提高。

针对粒子群算法优化神经网络进行语音转换时容易产生收敛速度慢、早熟的问题,本文采用一种新的量子粒子群算法优化广义回归神经网络的语音转换模型。该量子粒子群通过改变量子比特相位进而改变位置矢量, 并利用量子非门进行变异操作。因此首先利用量子粒子群对网络进行优化得到最佳的光滑因子参数, 从而建立频谱映射规则。接着, 利用频谱参数和基频参数的相关性, 对韵律特征基频也进行转换。然后, 联立转换后的频谱参数和基频参数, 利用STRAIGHT模型合成目标语音。最后, 采用主观和客观测评方式进行评价。实验结果表明, 与传统粒子群算法优化广义回归神经网络相比, 该方法转换后的语音自然度和相似度得到提升, 谱失真率下降2.1%。本文方法具有比径向基神经网络、广义回归神经网络、粒子群算法优化广义回归神经网络更好的语音转换性能。

针对时空上下文算法易发生漂移以及在目标跟踪丢失后不能重新找回目标的问题, 提出了一种融合Vibe前景检测和时空上下文的运动手势跟踪算法。首先使用时空上下文算法对手势预估计并进行干扰检测, 当检测到干扰发生时, 使用Vibe算法对时空上下文算法的预估计结果进行校准, 并更新目标模型。该方法的优势在于, 采用无参数模型的Vibe算法校准手势跟踪全过程。实验采用重叠度成功率和中心偏差作为评价体系, 实验结果表明, 改进算法比原算法跟踪成功率提高60%。该方法增强了运动手势跟踪效果, 提高了时空上下文算法的鲁棒性。