情境中厌恶识别的要点在于

附录

车牌识别程序

clear ; close all;

%Step1 获取图像 装入待处理彩色图像并显示原始图像 Scolor = imread（'3.jpg'）;%imread函数读取图像文件 %将彩色图像转换为黑白并显示

Sgray = rgb2gray（Scolor）;%rgb2gray转换成灰度图

figure,imshow（Scolor）,title（'原始彩色图像'）;%figure命令同时显示两幅图

figure,imshow（Sgray）,title（'原始黑白图像'）;

%Step2 图像预处理 对Sgray 原始黑白图像进行开操作得到图像背景 s=strel（'disk',13）;%strel函数

Bgray=imopen（Sgray,s）;%打开sgray s图像

figure,imshow（Bgray）;title（'背景图像'）;%输出背景图像 %用原始图像与背景图像作减法，增强图像 Egray=imsubtract（Sgray,Bgray）;%两幅图相减

figure,imshow（Egray）;title（'增强黑白图像'）;%输出黑白图像 %Step3 取得最佳阈值，将图像二值化

fmax1=doub

附录

车牌识别程序

clear ; close all;

%Step1 获取图像 装入待处理彩色图像并显示原始图像 Scolor = imread('3.jpg');%imread函数读取图像文件 %将彩色图像转换为黑白并显示

Sgray = rgb2gray(Scolor);%rgb2gray转换成灰度图

figure,imshow(Scolor),title('原始彩色图像');%figure命令同时显示两幅图 figure,imshow(Sgray),title('原始黑白图像');

%Step2 图像预处理 对Sgray 原始黑白图像进行开操作得到图像背景 s=strel('disk',13);%strel函数

Bgray=imopen(Sgray,s);%打开sgray s图像

figure,imshow(Bgray);title('背景图像');%输出背景图像 %用原始图像与背景图像作减法，增强图像 Egray=imsubtract(Sgray,Bgray);%两幅图相减

figure,imshow(Egray);title('增强黑白图像');%输出黑白图像 %Step3 取得最佳阈值，将图像二值化

fmax1=doub

LDA人脸识别的matlab程序

以下是LDA的m文件函数： 你稍稍改改就能用了！

function [eigvector, eigvalue, elapse] = LDA(gnd,options,data) % LDA: Linear Discriminant Analysis %

% [eigvector, eigvalue] = LDA(gnd, options, data) %

% Input:

% data - Data matrix. Each row vector of fea is a data point. % gnd - Colunm vector of the label information for each % data point.

% options - Struct value in Matlab. The fields in options % that can be set: %

中文事件抽取中事件类别的自动识别

中文事件抽取中事件类别的自动识别赵妍妍，王啸吟，秦兵，车万翔，刘挺（哈尔滨工业大学计算机学院信息检索研究室， 哈尔滨 150001）摘要：事件抽取是目前信息抽取研究领域的一个新的重要的研究课题。本文结合美国国家标准技术研究院 (NIST)组织的自动内容抽取(ACE, Automatic Content Extraction)评测中的事件抽取任务的要求，在 ACE2005 的训练数据上进行事件抽取中事件类别识别的实验。实验中采用《同义词词林（扩展版） 》扩展从 训练语料中提取出的触发词，构建触发词表，并结合两种机器学习方法——最大熵(ME, Maximum Entropy) 和支持向量机（SVM, Support Vector Machine） ，抽取合适的特征，使得事件类别识别的 F-Score 分别达到了 69.2%和 69.9%。 关键词： 事件抽取；ACE 评测；最大熵；支持向量机Automatic Event Type Extraction in Chinese Event ExtractionYanyan Zhao, Xiaoyin Wang, Bing Qin, Wanxiang Che, Ting

无法识别的usb设备处理方法总结

无法识别的uｓb设备网友经常遇到这类问题，如今我们身边的ＵSB设备越来越多,那我们来分析下无法识别ｕsb 设备故障解决办法，无法识别的usb设备处理方法总结汇集了最全uｓb设备处理方法,希望对雨林木风的网友提供帮助。

1.前置USB线接错。当主板上的USB线和机箱上的前置ＵSＢ接口对应相接时把正负接反就会发生这类故障,这也是相当危险的，因为正负接反很可能会使得USB设备烧毁。所以尽量采用机箱后置的USB接口,也少用延长线.也可能是断口有问题,换个USＢ端口看下.

2.ＵＳB接口电压不足。当把移动硬盘接在前置USB口上时就有可能发生系统无法识别出设备的故障。原因是移动硬盘功率比较大要求电压相对比较严格，前置接口可能无法提供足够的电压,当然劣质的电源也可能会造成这个问题。解决方法是移动硬盘不要接在前置USＢ接口上,更换劣质低功率的电源或尽量使用外接电源的硬盘盒，假如有条件的话。

３.主板和系统的兼容性问题。呵呵这类故障中最著名的就是NF2主板与UＳB的兼容性问题。假如你是在NF2的主板上碰到这个问题的话，则可以先安装最新的nＦｏrce2专用ＵSB2.0驱动和补丁、最新的主板补丁和操作系统补丁,还是不行的话尝试着刷新一下主

摘要

摘 要

通信信号调制类型的分类识别是一种典型的模式识别问题，它涉及到很多复杂的特殊因素。随着通信技术的飞速发展，通信信号的体制和调制样式变的更加复杂多样，信号环境日益密集，使得常规的识别方法和理论很难适应实际需要，无法有效的对通信信号进行识别，这也给通信信号的识别研究提出了更高的要求。

近几十年来人们在通信信号的识别方面作了大量有益的探索，提出了很多新思路和新方法，但是这些方法都是基于固定的信噪比，没有涉及信噪比变化时的信号识别问题。实际上，通信信号经过无线信道的传输，信噪比变化范围较大，通常在几分贝到几十分贝的范围内变化，这将导致从同一类信号的不同信噪比样本中提取的同一种特征有可能产生严重的畸变，相当于成倍增加了待识别信号的类别，使分类器的识别率降低。

本文主要工作体现在瞬时特征参数的提取、模糊特征选择和分类器设计这三个方面。其创新之处在于：

1、研究瞬时参数提取的目的就是减少噪声对瞬时参数的影响，使基于瞬时参数提取的特征参数对噪声不敏感。本文主要研究基于小波脊、短时傅里叶脊的信号瞬时参数提取方法、基于小波变换的瞬时参数提取方法和基于自适应时频分析的瞬时参数提取方法。

2、为了简化分类器的设计，提高分类能力和效率，本文给出了一种新的特

企业视觉识别的开发——应用系统设计

CI，也称CIS，是英文Corporate Identity System的缩写。CI目前一般译为“企业视觉形象识别系统”。

CI是一种系统的名牌商标动作战略，作为企业形象外化的“根”，企业经营理念和行为规程两大系统，是经过了大量调查、精心研究而制定的，是指导整个企业运行的行为准则，是一种企业的发展规则。这种准则与规则，通过一系列的行为操作，广泛向社会公众传达，以便在公众中建立良好的名牌商标形象，从这层意义上看，CI就是一种战略。

企业视觉识别是企业所独有的一整套识别标志，它是企业经营理念的外在的、形象化的表现，理念特征是视觉特征的精神内涵。

企

企业视觉识别

业视觉识别(Visual Identity)，这是企业形象的静态表现，也是具体化、视觉化的传达形式。它与社会公众的联系十分密切，影响最广，是企业对外传播的一张脸。这张脸是否生动感人，关键在于对其内容的设计。

企业视觉识别是企业所独有的一整套识别标志，它是企业理念的外在的、形象化的表现，理念特征是视觉特征的精神内涵。企业视觉系统是企业形象识别系统的具体化、视觉化。它包括企业标志、企业名称、企业商标、企业标准字、企业标准色、象征图形、企业造型等。 根据专家的研究，在信

指纹识别的历史与发展前景

19世纪初，科学研究发现了至今仍然承认的指纹的两个重要特征，一是两个不同手指的指纹纹脊的式样(radge pattern)不同，另外一个是指纹纹脊的式样终生不改变。这个研究成果使得指纹在犯罪鉴别中得以正式应用。主要代表性的事件有：1896年阿根廷首次应用，然后是1901年的苏格兰，20世纪初其他国家也相继应用到犯罪鉴别中。20世纪60年代，由于计算机可以有效的处理图形，人们开始着手研究利用计算机来处理指纹。从那时起，自动指纹识别系统afis (automated fingerprint identification system)在法律实施方面的研究和应用在世界许多国家展开。（文／杭州指安科技股份有限公司）

20世纪80年代，个人电脑、光学扫描这两项技术的革新，使得它们作为指纹取像的工具成为现实，从而使指纹识别可以在其他领域中得以应用，比如代替ic卡。现在(90年代后期)，低价位取像设备的引入及其飞速发展，可靠的比对算法的发现为个人身份识别应用的增长提供了舞台。

相对于其他身份鉴定技术，指纹识别技术之所以优于其他身份鉴定技术而被广泛采用的原因：

1、指纹是独一无二的，两人之间不存在着相同的指纹：

2、指纹是相当固定的

指纹识别的历史与发展前景

19世纪初，科学研究发现了至今仍然承认的指纹的两个重要特征，一是两个不同手指的指纹纹脊的式样(radge pattern)不同，另外一个是指纹纹脊的式样终生不改变。这个研究成果使得指纹在犯罪鉴别中得以正式应用。主要代表性的事件有：1896年阿根廷首次应用，然后是1901年的苏格兰，20世纪初其他国家也相继应用到犯罪鉴别中。20世纪60年代，由于计算机可以有效的处理图形，人们开始着手研究利用计算机来处理指纹。从那时起，自动指纹识别系统afis (automated fingerprint identification system)在法律实施方面的研究和应用在世界许多国家展开。（文／杭州指安科技股份有限公司）

20世纪80年代，个人电脑、光学扫描这两项技术的革新，使得它们作为指纹取像的工具成为现实，从而使指纹识别可以在其他领域中得以应用，比如代替ic卡。现在(90年代后期)，低价位取像设备的引入及其飞速发展，可靠的比对算法的发现为个人身份识别应用的增长提供了舞台。

相对于其他身份鉴定技术，指纹识别技术之所以优于其他身份鉴定技术而被广泛采用的原因：

1、指纹是独一无二的，两人之间不存在着相同的指纹：

2、指纹是相当固定的

% 支持向量机用于多类模式分类 - 必须选择最优参数 gam,sig2

% 工具箱：LS_SVMlab

% 使用平台：Matlab6.5

% 作者：陆振波，海军工程大学

% 欢迎同行来信交流与合作，更多文章与程序下载请访问我的个人主页

% 电子邮件：luzhenbo@

% 个人主页：

clc

clear

close all

%---------------------------------------------------

% 产生训练样本与测试样本，每一列为一个样本

n1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];

x1 = [1*ones(1,5),2*ones(1,5),3*ones(1,5)]; % 特别注意：这里的目标与神经网络不同

n2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];

x2 = [1*ones(1,5),2*ones(1,5),3*ones(1,5)]; % 特别注意：这里的目标与神经网络不同

xn_train = n1; % 训练样本

dn_train = x1; % 训练目标

xn_test = n2; %