一、基于信息融合的身份识别技术（论文文献综述）
费宏昱[1]（2021）在《自然场景下幼儿的身份识别与行为分析研究》文中认为本文的主要目标是将计算机视觉技术应用于智慧幼儿园的建设中,帮助幼儿教师更好的了解儿童,同时为幼儿教师减轻工作负担,让幼儿教师有更多的时间用于教学研究中。本文按照先识别幼儿身份,后提取幼儿活动信息的思路,对自然场景下幼儿的身份识别和行为分析展开了一系列研究。本文的主要内容及成果如下:1、本文针对自然场景下人脸识别准确率不高的问题,提出了三种方法提升人脸识别的效果。一是利用傅里叶变换对图像清晰度进行评价,二是基于人脸朝向过滤部分侧脸,三是基于图像直方图优化图像光照,并在自然场景下采集的幼儿活动数据上进行测试,将人脸识别的准确率从65.34%提升至91.43%。2、本文在上述基础上,针对自然场景下进行身份识别时单独使用人脸信息,身份检出率不高,单独使用人体信息,身份识别准确率不高的问题,提出了一种多模态身份识别方法,并测试了三种不同的融合方式,最终得出基于动态更新基准照的身份识别方法。该方法将人脸信息和人体信息结合起来,充分利用了人脸识别准确率高,行人重识别身份检出率高的特点,在保证身份检出率达到93.51%的情况下,将身份识别的准确率提升至89.85%。该方法相比单独使用人脸信息,身份的检出率提升约81%,相比单独使用行人重识别,身份识别的准确率提升约26%。3、基于以上成果,我们提取每位幼儿的活动信息并可视化地呈现给幼儿教师,起到辅助老师教学的作用。
缪显涵[2]（2021）在《多源信息融合多目标跟踪技术研究与设计》文中认为多源信息融合的多目标跟踪技术是通过联合处理来自多个信息源数据,并提取目标的融合特征,实现多目标跟踪的全新技术。该技术能够解决多目标跟踪系统应用中精度不足的问题,在无人自主环境感知领域具有重要的研究价值。传统的多目标跟踪技术受传感器自身的限制,难以满足复杂环境下的目标跟踪要求。而利用不同传感器获取的异构信息,能够为目标跟踪提供完整有效的信息,有助于目标的高精度跟踪,是多目标跟踪技术的重要发展方向。本文开展了真实环境下的运动目标检测、运动目标特征提取、目标跟踪指派和身份信息管理等工作,并研究了图像和微动特征理论,主要内容如下:1.提出了一种基于毫米波雷达和运动目标微多普勒效应的目标识别算法。采用本文所构建的卷积网络结构,对时频变换后的雷达时频谱图进行特征学习,解决传统方法中对时频特征提取不充分的问题,改善了毫米波雷达在目标识别领域的缺陷,目标识别准确率的达到81.02%,召回率达到90.77%。2.提出了一种雷达信号的微多普勒信息和图片的纹理信息融合的目标识别算法。通过建立毫米波雷达和摄像头空间坐标系,运用联合标定的方法得到了观测场景中的感兴趣区域。并且搭建并行结构的融合目标识别网络框架,对多模态信息进行特征提取和特征融合,解决了信息模态的差异性与融合结果的有效性间的矛盾。本文所提出的融合模型的m AP（mean Average Precision,m AP）达到了89.42%,比单模态传感器的性能最多提升了32.76%。3.设计了一种基于毫米波雷达和改进的Deep SORT（Simple online and Realtime Tracking,SORT）框架的多目标跟踪算法。由于卡尔曼滤波和Deep SORT算法分别在雷达目标跟踪和视频目标跟踪中具有优势,将融合目标识别网络处理后的目标特征和卡尔曼滤波器获得的目标物理信息进行数据关联,实现了多目标跟踪。在融合采集的数据集上进行测试验证,该算法的MOTA指标达到82.54%,MOTP为80.46%,解决了在不同的光照、不同的视场,以及强电磁杂波环境的情况下单一传感器跟踪精度不足的问题。本文所提出的多源信息融合多目标跟踪算法通过理论研究分析和实测数据集的实验,验证了深度学习应用于时频运动特征的正确性,证明了算法的有效性。
陈致远,沈堤,余付平,陈宏阳,赵凯[3]（2021）在《基于D-S证据理论的空中目标敌我识别研究综述》文中认为D-S证据理论作为一种不确定性推理工具,能够充分发挥多源信息融合的优势,提高空中目标敌我识别结果的准确性。本文从空中目标敌我识别的实际应用出发,介绍了D-S证据理论的基本原理,梳理了空中目标敌我识别中需要解决的关键问题,然后从空中目标敌我识别的识别方法和信息融合两个方面,对现有研究方法进行了归纳与分类,并简要总结了每种方法的优势、适用范围、使用价值等。最后在现有研究基础上提出了一种新的空中目标敌我识别方法,并对D-S证据在空中目标敌我识别中的应用进行了展望。
叶家杰[4]（2020）在《多模态身份识别及其在仿人服务机器人上的应用》文中研究说明身份识别技术已经在人们日常生活中得到了很多的应用,一直是人机交互和人工智能领域的热点研究方向。其中,在无约束的环境下的大规模身份识别任务是一个极具挑战性的难题,利用多模态学习结合深度学习的方法解决大规模身份识别问题是一个很有效的解决方法,关键在于构建一个合理的框架融合各种不同的模态信息,并提升算法的分类能力,这种融合框架可以是基于决策层或是特征层的。同时还需考虑如何高效地提取不同模态信息的有效特征。在传统的方法中,通常都是基于某种单模态特征进行身份识别的,如人脸特征、语音特征或指纹特征。这些传统的方法应用到真实无约束环境下都会出现识别准确率不高的问题。通过阅读和对比国内外大量的文献资料和实验结果,都说明了单一模态的身份识别算法在应用到不同场景时存在着很大的局限性,基于多种模态信息的身份识别算法在不同场景中都要优于基于单种模态信息的身份识别算法。本文所采用的基于多模态信息融合策略的身份识别算法,在融合框架下将人脸信息、头部信息和语音信息进行结合,提升算法的识别准确性和鲁棒性。本文的研究内容主要有以下几个方面:1.在数据集处理方面,数据集的好坏直接影响最后的结果,根据对原始数据的分析结果进行数据清洗,使用评价模型对数据内容进行评分,制定筛选原则对数据进行筛选,剔除信息含量少的数据,只保留信息量多的数据,降低数据集中的噪声,提升模型训练效果。2.在特征提取方面,需要从人脸信息、头部信息和语音信息中提取有效的特征,选用不同的人脸和头部检测算法获取人脸和头部的图像数据,然后使用Arc Face模型提取人脸和头部图像的特征,同时将语音信息以44100Hz的采样频率将音频转换为单通道16位的数据流,通过512点的快速傅里叶变换（FFT）获得频谱,不使用归一化处理,最后通过Rest Net模型提取语音特征。3.在融合算法构建方面,提出一种能融合多种单模态信息以及能完成在真实无约束环境下大规模身份识别的算法,构建基于特征层和决策层的融合框架,通过人脸质量评价模型获得质量分数以及从人检测模型获取置信度分数,利用两种评价分数计算权重,利用此权重构建一种能融合多种模态特征的融合策略,提升算法的鲁棒性和准确性。4.在解决大规模分类问题方面,提出一种能应用在身份识别领域使用的解决方案,以人脸质量评分划分不同的区间,并重新构建子数据集。通过子数据集训练多个分类器,再使用统计学的方法融合多个分类器的输出结果。对提出的多模态信息融合策略进行测试,并与单模态及其他多模态融合方法作对比,使用公开的数据集做测试,采用平均精度均值（MAP）作为评价标准,得到的准确率为92.17%,比目前表现最好的多模态身份识别算法的识别准确率高2.47%。对各组实验进行分析和对比,结果表明所采用的利用多种单模态信息的融合策略在解决大规模身份分类问题上是有效的。
李吉利[5]（2020）在《基于超限学习机的人体步态识别研究》文中进行了进一步梳理步态识别技术是近年来计算机视觉和生物识别领域的研究热点,旨在根据人类走路的姿态对个体身份进行识别。相比于其他的生物特征,步态是唯一远距离可感知的生物特征,具有难以伪装、模仿或隐藏以及非侵犯性的特点,在视频监控、安全认证和医学方面具有广泛的应用前景。经过近十年的研究发展,步态识别领域涌现了许多有价值的工作。同时,客观环境的变化和动态识别的复杂性也为步态识别的进一步发展带来了挑战。鉴于步态识别技术具有重要的理论研究意义和实际应用价值,本文对其进行了深入的探究,重点研究了步态识别中计算复杂度与多视角变化问题,在前人工作的基础上研究了以下内容:（1）提出一种基于超限学习机（ELM）与步态熵向量的人体步态识别方法。为了实现识别精度和计算复杂性之间的平衡,本文利用图像熵特征和ELM的优势进行步态识别。首先,引入了一种基于图像熵的特征提取策略。对于周期性的步态二值图像序列,提取其每一帧中行子图像的图像熵构成步态熵向量。对一个步态周期的步态熵向量进行平均处理,将处理后的结果作为步态特征。其次,通过监督学习训练ELM网络,采用bagging算法对ELM进行改进,提高ELM网络的稳定性和泛化性能。通过使用简化的特征提取过程,有效的步态熵特征和ELM的快速学习能力,很好的减轻了计算负担。最后,在CASIA-A和CASIA-B等步态数据库上进行了实验,实验结果表明该方法在单视角和多视角条件下实现了令人鼓舞的识别精度,并且计算效率十分出色。（2）提出了基于超限学习机与步态能量特征的人体步态识别方法。为了更好的表征人在走路过程中的动态变化情况,本章提取了浅层时变轮廓序列下的步态能量特征,结合核超限学习机（KELM）,实现步态识别的目的。一方面,本研究对周期性的步态二值图像序列中的全部帧差图像进行平均处理,得到步态序列的动作能量图特征（AEI）。另一方面,本文提出了一种新的时空步态表示方法即频谱能量图（SEI）。首先,对周期性的步态二值图像序列中的每一帧进行二维傅里叶变换,得到傅里叶频谱图,其次,对所有傅里叶频谱图进行平均处理得到表征步态的频谱能量图,进一步对其进行幅值化处理,并把处理后的结果作为最终的频谱能量特征。最后,分别对两种步态能量特征进行降维和归一化处理,使用KELM进行分类识别。（3）提出一种基于特征融合的步态识别方法。单一步态特征容易受到图像质量、图像预处理以及特征降维造成的信息损失等多方面因素的干扰,识别性能并不稳定。在数据库较大时,特征相似性逐渐增强,识别性能也随之下降。为了克服单一步态特征存在的问题,提高稳定性和识别率,本章尝试使用决策级融合的方法对所提取的步态熵向量、动作能量图以及频谱能量图等特征进行处理,并使用KELM进行分类识别。在CASIA-B步态数据库上进行多视角条件下的实验,实验结果表明多特征融合后的识别率优于任意单一特征的识别率,在视角变化的条件下识别性能得到了较大幅度的提高。（4）设计了人体步态特征提取与识别系统。本文在算法研究的基础上,采用MATLAB GUI软件设计平台进行步态识别系统的开发,初步实现了步态视频数据处理,步态特征提取,实时身份识别,数据存储与可视化等功能。在基于CASIA-B步态数据库的环境下,测试了系统的性能,具有较好的工程应用价值。
瞿斌杰[6]（2020）在《基于深度学习的多视角步态识别》文中研究表明如今指纹、人脸、虹膜等生物特征在身份鉴别领域中应用日益广泛,生物识别技术的发展为社会的稳定安全运行提供了重要保障。步态特征作为其中一种,凭借其个体间差异较大、难伪装并且可在远距离非受控状态下捕捉等特点,克服了传统生物特征的不足,因此在各场所、各领域逐渐发挥重要的作用。但是在实际应用中,步态识别依旧面临着诸多问题,如摄像头角度、目标着装、身心状况及携带物的变化等。本文针对识别过程中多视角这一影响较大的问题,基于深度学习技术展开研究。本文的主要工作如下:1)步态序列的预处理。分别对中科院CASIA-B数据集以及实验室采集的DHU-Gait红外步态数据集进行预处理工作。首先通过对比目前一些主流的背景差分方法,选择采用基于混合高斯模型的背景差分法,从步态序列中得到效果较好的的背景图像后,通过差分得到初步的步态二值图序列,最后对提取到的步态图像进行后处理操作,得到归一化的步态二值图,大大提高了用于后续实验的前景目标图像的质量。2)针对步态识别中多视角问题,采用基于视角转换的特征融合网络的步态识别方法。在多视角步态识别中不同角度的步态特征间所包含信息量不同,因此采用VTM-GAN网络将不同角度下的步态特征图转换成保留信息最充分角度下的步态特征图,在打破多视角限制的同时,可大大扩充用于训练的步态样本对。其次,目前用于步态识别的步态特征虽大多能保留步态的空间信息,但往往缺少了对时间信息的利用,因而在充分保留步态空间信息的前提下,融合彩色步态能量图（Chrono-Gait Image,以下简称CGI）中步态序列的时间信息来提升识别效果,同时通过与仅保留步态空间信息的实验进行对比,验证了时间信息的有效性。3)采用基于序列信息融合的孪生卷积神经网络的步态识别方法。在步态识别中原始二值图序列的帧差信息是目标运动真正发生变化的部分,其中包含了大量的运动和时间信息,因而将帧差序列及原始序列信息融合后,通过孪生神经网络得到两组固定特征图之间的步态相似度,同时通过对比实验验证了融合帧差序列的有效性。
靳冰洋[7]（2020）在《多模复合制导航迹信息融合技术研究》文中研究指明随着电子技术的发展现代战场环境日益复杂,单一模式制导探测设备由于自身的限制和不足已逐渐无法满足现代战场环境的作战需求,在干扰环境下的作战效能逐渐降低,多模复合制导信息融合技术随之产生,其利用多个传感器的优点,采取优势互补的方法,提升制导系统在复杂干扰战场环境下的制导性能,增强制导设备的目标探测跟踪能力,作战效能明显优于单一模式制导设备。本文对多模复合制导航迹信息融合技术进行研究,以激光/雷达/红外三模复合制导为研究背景,对航迹形成、航迹关联、航迹融合进行分析研究,在此基础上利用相关算法设计了一套以激光/雷达/红外三模复合制导为应用背景的信息融合处理系统,并通过计算机仿真对信息融合系统在干扰背景环境下的性能进行了测试。具体工作细分如下:首先,文章对信息融合基础理论知识进行了简要的论述。介绍了信息融合技术的工作原理,对信息融合系统进行了分类,并对其中的检测级、位置级和属性级信息融合系统结构进行了详细说明,在此基础上,根据本文研究背景设计了分布式共平台三模复合制导信息融合处理方案。其次,对单传感器多目标航迹形成进行了研究分析,主要内容为数据关联、跟踪滤波和航迹管理。其中,数据关联是航迹形成最重要的部分,研究了数据关联时跟踪门的类型和选择方法,并对两种典型的数据关联算法进行了分析;对跟踪滤波算法中典型的卡尔曼滤波算法进行了研究;航迹管理规则可有效对航迹进行管理,对航迹管理规则中逻辑法和记分法的航迹管理准则进行了分析。然后,对航迹融合算法进行了研究,包括时空配准、航迹关联和航迹融合。配准和关联是融合的准备工作,分析了共平台背景下时间和空间对准方法;对加权航迹关联算法和序贯航迹关联算法进行了分析,在此基础上利用航迹整体态势和局部特性提出了一种基于灰色关联度的两级实时航迹关联算法,通过仿真实验对加权法、序贯法以及基于灰色关联度的两级实时航迹关联算法的性能进行了对比;航迹融合是对关联的航迹对进行融合处理,本文详细阐述了两种常用的航迹融合方法。最后,设计了信息融合处理系统,主要内容有信息融合系统的工作模式划分和工作流程、航迹信息融合协同处理方案以及对系统性能的仿真测试。根据信息融合系统各工作阶段的特点,对各阶段的工作模式和工作流程进行了详细的说明;依据信息融合算法,结合本文研究背景对航迹信息融合处理进行分析,设计了搜索时的协同搜索方法和跟踪时的航迹信息融合处理策略。通过计算机仿真搭建信息融合系统,对系统在干扰环境下的性能进行测试,验证了所设计信息融合处理系统的有效性。
王成[8]（2020）在《基于毫米波雷达和相机信息融合的危险目标检测方法研究》文中研究指明随着消费者对汽车安全性和舒适性的需求日益增长,智能驾驶技术受到了广泛的关注和研究,感知模块作为智能驾驶系统的重要一环,其获取的环境信息是智能驾驶技术成功应用的基础。现阶段量产的智能驾驶系统的主流传感器为毫米波雷达和相机,毫米波雷达对目标距离和速度的检测精度较高,并且可以全天候工作,但是其不能准确识别目标类型,容易受噪声干扰;相机能够获取丰富的环境信息,并且其价格和技术难度相对较低,但是对光照和天气的变化较为敏感,因此基于单一传感器的环境感知方案往往可能会存在一些局限性。通过对不同传感器进行信息融合,可以充分发挥各传感器的目标检测优势,以实现信息冗余和互补。因此,为了提升系统的目标检测能力,对多传感器信息融合的研究尤为重要。本文以智能驾驶系统的环境感知模块为研究对象,设计了基于毫米波雷达和相机的信息融合方案,分别利用毫米波雷达和相机进行目标检测,随后对目标数据进行特征提取、身份识别以及决策层融合,最后对融合目标进行风险评估和危险目标筛选。主要研究内容如下:（1）制定基于毫米波雷达和相机融合的目标检测流程首先分析不同传感器在目标检测方面的优劣势,以及不同层级融合方法的优缺点,然后对比分析国内外学者提出的目标检测与信息融合方案,探索其中尚待完善的研究点,最终制定了基于毫米波雷达和相机融合的传感器方案,并且对不同传感器的目标数据进行决策层融合。（2）对传感器数据进行预处理首先依据数据之间的相似性对毫米波雷达的目标信息进行聚类分析,将同一物体的多个雷达反射点划分为同一个集群,从而获取更准确的目标信息。然后,针对传感器原始数据存在随机噪声的问题,在进行信息融合前,结合目标的运动特点对原始数据进行滤波,从而改善信号质量,减小干扰信号对后续算法的影响。（3）设计基于毫米波雷达和相机的融合算法架构针对各传感器在检测目标时所使用的参考坐标系不一致的问题,对不同传感器的目标数据进行融合处理前,首先对各传感器进行时间配准和空间配准,以确保融合中心获取的不同传感器数据描述的是同一时间、同一地点的环境信息。随后依据一定的规则对不同传感器的目标列表进行匹配,并将各传感器对同一目标的测量数据进行融合,从而获得完整的目标信息。最后对融合目标进行跟踪检测,提高目标检测的准确性和可靠性。（4）制定危险目标筛选策略目标的风险评估往往与目标运动模型的建立,以及目标运动预测等因素有关,因此,首先分析各种目标运动模型和目标运动预测方法的优缺点,并决定采用基于行为的运动模型,然后利用车辆的历史轨迹判断其行驶状态;随后通过本车与前车之间的相对距离以及相对速度计算车辆碰撞时间,以此对融合目标进行危险性评估,从中筛选出碰撞风险较大的目标,进而为后续控制系统的决策提供参考信息。（5）在不同工况下对本文算法进行相关试验与结果分析搭建多传感器融合的实验平台,并在典型的城区道路和城市快速路进行相关测试。然后选取其中几种比较有代表性的工况进行试验结果分析,对不同工况下的毫米波雷达目标检测结果、相机目标检测结果、毫米波雷达与相机融合的目标检测结果进行对比分析,同时对危险目标选择策略的合理性进行验证。实验表明,本文提出的算法可以有效提高目标识别的稳定性和可靠性,降低目标的漏检概率。
赵照[9]（2020）在《基于DeGroot模型的舆情动力学及其在分布式目标识别中的应用》文中进行了进一步梳理近些年,随着科学技术的迅速发展,舆情的传播形式和方式发生了许多重要改变。它具有即时,自由,大信息量等特点,因此健全的舆情引导机制已经成为全球各国政府共同关心的问题。French、DeGroot最早提出基于代理人的舆情形成模型,即每个代理人通过与邻居交流来更新自己的观点。本文研究了DeGroot模型在舆情动力学与信息融合中进一步应用,分别为固执代理人带有敏感函数的舆情动力学模型和基于多地并行融合的多传感器目标识别信息融合方法:（1）带有敏感函数的代理人为固执的舆情动力学模型研究了每个代理人敏感程度受到他目前观点影响的舆情形成模型,其中敏感程度用敏感函数表示。特别地,本文提出固执积极和固执中立两类不同的代理人。同时,假设观点是一个标量值,其范围是一个连续区间。接着,本文对这两种不同的敏感函数提供了详细的理论分析,并且证明了达到一致性的充要条件。最后,通过仿真来证明这个结果。（2）基于多地并行融合的多传感器目标识别信息融合方法提出了一种多地并行融合的传感器网络目标识别信息融合方法,其中,每个传感器只需要与邻居传感器交换信息。基于D-S证据理论,设计了一种分布式信息融合算法。每个传感器运行该融合算法可在一定的网络拓扑下达到目标识别信息的一致融合结果。实例仿真结果验证了该融合算法的有效性。
邓凯凯[10]（2020）在《跨社交网络多用户身份识别算法研究》文中提出随着在线社交网络的普及,越来越多的用户同时具有多个虚拟账号。在这种情况下,跨社交网络识别出用户的多个社交账号对用户信息对齐、个性化服务推荐以及信息融合都具有重要意义。目前,跨社交网络多用户身份识别已经得到了广泛的研究,但现有的工作中还存在以下问题:（1）经典的多用户身份识别算法对用户档案信息关注过多而缺乏融合分析用户个性化行为信息;（2）在多用户账号匹配过程中,缺乏对已匹配的用户账号对进行二次确认;（3）目前,用户自身隐私意识的提高导致无法获取大量的用户数据信息且获取代价较高,如何利用少量且具有高访问性的用户信息进行多用户身份识别;（4）针对用户信息权重分配问题,现有的基于主观导向的赋权算法忽略了不同用户信息对多用户身份识别的贡献程度。本文就现有工作中存在的不足,提出了四种针对不用应用场景的多用户身份识别算法,以进一步提高跨社交网络多用户身份识别算法的普适性和精确性,主要贡献如下:1.由于经典的多用户身份识别算法仅依靠用户档案信息而缺乏对用户个性化行为信息的融合,致使这些识别算法在高精确度应用场景中受限。针对此类应用场景,提出了基于个性化行为分析的多用户身份识别算法。对用户档案信息进行预处理,并采用不同的相似度计算方法来测量各项用户信息的相似度。此外,个性化分析用户行为信息,并融合用户档案信息以构成一个多维的相似度向量。同时,采用基于后验概率的权重分配算法来解决用户各项信息之间的权重失衡问题。利用相关的账号匹配算法实现多用户身份识别的目的,与仅基于用户档案信息的识别算法相比,所提算法有效提高了精确率、召回率以及F1。2.由于多用户账号识别过程中缺乏对获取的账号匹配对进行二次确认,致使大部分的识别算法在实际应用场景中识别性能受限。针对此类应用场景,提出了基于稳定婚姻匹配的随机森林二次确认算法。通过对用户各项信息进行相似度计算和赋权,以构建相似度评分公式,并将其与稳定婚姻匹配算法相结合来获取多用户账号的候选匹配对。同时,将获取的用户相似度向量训练集合用于训练随机森林模型,以此对获取的多用户账号候选匹配对进行随机森林二次确认来进一步提高多用户身份识别的性能。3.由于社交网络和用户自身隐私意识的提高,致使一些依靠大量用户信息而进行多用户身份识别的算法普适性较差。针对此类应用场景,提出了基于用户行为习惯的多用户身份识别算法。通过提取用户显示名称所含的特征,分别利用不同的相似度计算方法来计算显示名称所含特征的相似度,并结合变种熵值为提取的特征进行赋权。同时,分析用户的发布内容,测量不同用户兴趣图谱之间的相似度。在多用户账号匹配过程中,针对出现的一对多和多对多问题进行一对一约束,并结合Gale-Shapley算法来实现多用户账号匹配,有效的提高了识别性能。4.由于现有的基于主观导向的赋权算法忽略了用户各项信息的特殊含义,致使大多数多用户身份识别算法存在权重失衡问题。针对此类应用场景,提出了基于两级信息熵的多用户身份识别算法。基于内容一对多项用户信息进行分析和相似度测量,并利用提出的基于后验概率的权重分配算法来获取用户信息的一级权重。将获得的一级权重组成一个多维向量作为Softmax函数的输入值,对各个权重进行归一化处理,得到归一化概率,并再次利用信息熵的概念来获取用户信息的两级权重。同时,采用双向稳定婚姻匹配算法实现多用户账号匹配,有效改善了现有权重分配方案造成的权重失衡问题,并提高了所提算法的通用性。
二、基于信息融合的身份识别技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于信息融合的身份识别技术（论文提纲范文）
（1）自然场景下幼儿的身份识别与行为分析研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关研究工作分析 |
| 1.2.1 智慧幼儿园系统研究现状 |
| 1.2.2 身份识别研究现状 |
| 1.2.3 幼儿行为分析研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文组织结构 |
| 2 相关算法及理论研究 |
| 2.1 目标检测算法研究 |
| 2.2 身份识别算法研究 |
| 2.2.1 人脸识别研究 |
| 2.2.2 行人重识别研究 |
| 2.3 相机标定 |
| 2.3.1 坐标系的建立 |
| 2.3.2 坐标转换 |
| 2.3.3 标定方法 |
| 2.4 人脸朝向分析算法 |
| 2.5 本章小结 |
| 3 自然场景下身份识别算法的选取与优化 |
| 3.1 问题描述 |
| 3.2 实验准备 |
| 3.2.1 硬件设备信息 |
| 3.2.2 数据采集 |
| 3.2.3 数据集制作 |
| 3.2.4 评价指标 |
| 3.3 身份识别算法测试与选取 |
| 3.4 自然场景下身份识别的优化 |
| 3.4.1 基于傅里叶变换的清晰度评价 |
| 3.4.2 基于人脸朝向的人脸过滤方法 |
| 3.4.3 基于图像直方图的图像光照优化 |
| 3.5 本章小结 |
| 4 结合人脸和全身的幼儿身份识别系统与行为分析研究 |
| 4.1 问题描述 |
| 4.2 结合人脸和全身信息的身份识别方法 |
| 4.2.1 并行取优的身份识别方法 |
| 4.2.2 基于身份传递的身份识别方法 |
| 4.2.3 信息融合的身份识别方法 |
| 4.3 动态更新基准照的身份识别方法 |
| 4.4 结合人脸和全身的身份识别方法效果分析 |
| 4.5 幼儿行为分析研究 |
| 4.5.1 幼儿室外信息提取与可视化 |
| 4.5.2 幼儿室内信息提取与可视化 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 本文工作展望 |
| 参考文献 |
| 作者简介 |
（2）多源信息融合多目标跟踪技术研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多源信息融合技术研究现状 |
| 1.2.2 目标跟踪技术研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本文的内容结构安排 |
| 第二章 多源信息融合的多目标跟踪总体框架设计 |
| 2.1 需求分析 |
| 2.2 传感器融合平台设计 |
| 2.2.1 毫米波雷达参数设置 |
| 2.2.2 视觉摄像头参数设置 |
| 2.3 多源信息融合的多目标跟踪算法方案设计 |
| 2.4 本章小结 |
| 第三章 基于毫米波雷达微多普勒效应的目标识别算法 |
| 3.1 毫米波雷达运动目标回波模型构建 |
| 3.1.1 雷达波形选择 |
| 3.1.2 人体运动模型构建 |
| 3.1.3 车辆运动模型构建 |
| 3.2 时频分析方法 |
| 3.2.1 微多普勒效应 |
| 3.2.2 毫米波雷达回波时频变换算法 |
| 3.2.3 基于卷积神经网络的时频分析算法 |
| 3.3 毫米波雷达目标回波模型建模验证 |
| 3.3.1 运动目标回波模型建模的仿真实验及分析 |
| 3.3.2 运动目标回波模型建模的实测实验及分析 |
| 3.4 基于毫米波雷达的目标识别算法的实验及分析 |
| 3.4.1 目标检测实测实验及分析 |
| 3.4.2 目标识别算法实测实验及分析 |
| 3.5 本章小结 |
| 第四章 多源信息融合目标识别 |
| 4.1 多源信息融合目标识别算法架构 |
| 4.2 时空数据融合 |
| 4.2.1 坐标转换 |
| 4.2.2 毫米波雷达和摄像头联合标定 |
| 4.3 毫米波雷达和摄像头信息融合的目标识别 |
| 4.3.1 融合感兴趣区域确定算法 |
| 4.3.2 融合目标识别网络框架 |
| 4.4 基于多源信息融合目标识别算法的实验验证及分析 |
| 4.4.1 实测数据集建立 |
| 4.4.2 联合标定实验结果及分析 |
| 4.4.3 实验评价标准 |
| 4.4.4 毫米波雷达和摄像头信息融合的目标识别算法实验及分析 |
| 4.5 本章小结 |
| 第五章 多源信息融合的多目标跟踪 |
| 5.1 多源信息融合的多目标跟踪算法框架 |
| 5.1.1 算法流程设计 |
| 5.1.2 融合状态模型建模 |
| 5.2 目标运动状态估计算法 |
| 5.2.1 K均值聚类 |
| 5.2.2 多目标匹配 |
| 5.2.3 卡尔曼滤波 |
| 5.3 目标跟踪指派 |
| 5.3.1 级联匹配算法 |
| 5.3.2 改进的匈牙利匹配算法 |
| 5.4 目标跟踪算法的实测验证与分析 |
| 5.4.1 实验评价标准 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于D-S证据理论的空中目标敌我识别研究综述（论文提纲范文）
| 0 引 言 |
| 1 基础理论 |
| 1.1 D-S证据理论 |
| 1.2 空中目标敌我识别流程 |
| 1.3 空中目标敌我识别的关键问题 |
| 1.3.1 识别方法问题 |
| 1.3.2 信息融合问题 |
| 2 基于识别方法的研究分类 |
| 2.1 基于技术型识别方法的研究分类 |
| 2.2 基于逻辑型识别方法的研究分类 |
| 2.3 基于识别方法的研究分类总结 |
| 3 基于信息融合的研究分类 |
| 3.1 基于BPA构造方法的研究分类 |
| 3.1.1 基于隶属度函数的BPA构造方法 |
| 3.1.2 基于智能算法的BPA获取方法 |
| 3.1.3 基于BPA构造方法的研究分类总结 |
| 3.2 基于冲突证据融合的研究分类 |
| 3.2.1 基于修改组合规则的冲突证据融合 |
| 3.2.2 基于修改证据源的冲突证据融合 |
| 3.2.3 基于冲突证据融合的研究分类总结 |
| 3.3 基于融合方式的研究分类 |
| 4 研究前景 |
| 4.1 空中目标敌我识别的研究前景 |
| 4.2 D-S证据理论在空中目标敌我识别中的应用展望 |
| 5 结 束 语 |
（4）多模态身份识别及其在仿人服务机器人上的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外发展现状 |
| 1.3 课题来源与研究内容 |
| 第二章 多模态信息数据集 |
| 2.1 目前开源的身份识别数据集 |
| 2.2 选用的多模态人物分类数据集 |
| 2.3 本章小结 |
| 第三章 多模态信息的特征提取 |
| 3.1 人脸特征提取 |
| 3.1.1 人脸图像预处理 |
| 3.1.2 人脸特征提取 |
| 3.2 头部特征提取 |
| 3.2.1 头部图片预处理 |
| 3.2.2 头部特征提取 |
| 3.3 语音特征提取 |
| 3.3.1 语言信息预处理 |
| 3.3.2 语言特征提取 |
| 3.4 本章小结 |
| 第四章 融合多模态信息的身份识别 |
| 4.1 多模态信息融合方法介绍 |
| 4.2 特征层融合 |
| 4.3 决策层融合 |
| 4.4 多模态信息融合策略 |
| 4.4.1 处理清晰人脸图片 |
| 4.4.2 处理不清晰人脸图片 |
| 4.5 大规模分类问题 |
| 4.6 本章小结 |
| 第五章 仿真与实验 |
| 5.1 仿真测试 |
| 5.2 仿真结果及分析 |
| 5.3 实验 |
| 5.3.1 应用环境 |
| 5.3.2 测试平台 |
| 5.3.3 实验结果 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间的科研成果 |
| 致谢 |
（5）基于超限学习机的人体步态识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 步态识别的研究现状 |
| 1.2.1 基于模型的方法 |
| 1.2.2 基于非模型的方法 |
| 1.3 本文的主要研究内容与创新点 |
| 1.4 本文的组织结构 |
| 2 步态识别技术 |
| 2.1 步态识别的基本流程 |
| 2.2 运动目标检测 |
| 2.2.1 背景减除法 |
| 2.3 形态学处理 |
| 2.4 标准化和边缘检测 |
| 2.4.1 标准化处理 |
| 2.4.2 边缘检测 |
| 2.5 步态周期检测 |
| 2.6 主要的步态数据库 |
| 2.6.1 USF数据库 |
| 2.6.2 CMU Mobo数据库 |
| 2.6.3 HID-UMD数据库 |
| 2.6.4 CASIA数据库 |
| 2.7 本章小结 |
| 3 基于超限学习机与步态熵向量的步态识别 |
| 3.1 引言 |
| 3.2 步态熵向量特征 |
| 3.2.1 信息熵 |
| 3.2.2 图像熵 |
| 3.2.3 步态区域熵 |
| 3.2.4 步态熵向量 |
| 3.3 基于超限学习机进行分类 |
| 3.3.1 超限学习机 |
| 3.3.2 集成超限学习机 |
| 3.4 实验结果分析 |
| 3.4.1 基于CASIA-A步态数据库的步态识别实验 |
| 3.4.1.1 单一视角条件下的步态识别 |
| 3.4.1.2 多视角条件下的步态识别 |
| 3.4.1.3 计算复杂度及结果分析 |
| 3.4.2 基于CASIA-B数据库的步态识别 |
| 3.4.2.1 单一视角条件下的步态识别 |
| 3.4.2.2 多视角条件下的步态识别 |
| 3.4.2.3 计算复杂度及结果分析 |
| 3.5 本章小结 |
| 4 基于超限学习机与步态能量特征的步态识别 |
| 4.1 引言 |
| 4.2 动作能量图 |
| 4.3 频谱能量图 |
| 4.3.1 二维傅里叶变换 |
| 4.3.2 提取频谱能量图 |
| 4.4 特征降维 |
| 4.4.1 主成分分析 |
| 4.4.2 二维主成分分析 |
| 4.4.3 获得步态能量的主成分向量和特征矩阵 |
| 4.5 核超限学习机 |
| 4.6 实验结果分析 |
| 4.6.1 基于CASIA-A数据库的步态识别实验 |
| 4.6.1.1 单一视角条件下的步态识别 |
| 4.6.1.2 多视角条件下的步态识别 |
| 4.6.2 基于CASIA-B数据库的步态识别实验 |
| 4.6.2.1 单一视角条件下的步态识别 |
| 4.6.2.2 多视角条件下的步态识别 |
| 4.7 本章小结 |
| 5 基于特征融合的步态识别 |
| 5.1 引言 |
| 5.2 信息融合概述 |
| 5.3 信息融合方法 |
| 5.3.1 数据级融合 |
| 5.3.2 特征级融合 |
| 5.3.3 决策级融合 |
| 5.4 步态特征融合 |
| 5.5 多特征融合的实验结果及分析 |
| 5.6 本章小结 |
| 6 人体步态特征提取与识别系统 |
| 6.1 引言 |
| 6.2 软件开发工具介绍 |
| 6.2.1 软件工具介绍 |
| 6.2.2 硬件工具介绍 |
| 6.3 软件系统设计 |
| 6.3.1 软件的功能需求分析 |
| 6.3.2 软件系统的文件结构 |
| 6.4 人体步态提取与识别系统设计 |
| 6.4.1 系统主界面设计 |
| 6.4.2 特征提取模块设计 |
| 6.4.3 分类识别模块设计 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及申请的专利 |
（6）基于深度学习的多视角步态识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器学习的步态识别方法 |
| 1.2.2 基于深度学习的步态识别方法 |
| 1.2.3 步态识别的研究难点 |
| 1.3 本文内容及组织结构 |
| 2 步态识别相关技术介绍 |
| 2.1 引言 |
| 2.2 步态图像预处理技术 |
| 2.2.1 基于混合高斯模型的背景差分 |
| 2.2.2 步态二值图的后处理 |
| 2.3 常用步态数据库及步态特征简介 |
| 2.3.1 常用步态数据库 |
| 2.3.2 常用步态特征 |
| 2.4 深度学习技术 |
| 2.4.1 深度学习基础 |
| 2.4.2 卷积神经网络 |
| 2.4.3 卷积神经网络的训练 |
| 2.5 本章小结 |
| 3 基于视角转换的特征融合网络的步态识别 |
| 3.1 引言 |
| 3.2 步态能量图合成技术 |
| 3.3 彩色步态能量图的合成技术 |
| 3.4 基于VTM-GAN的步态视角转换网络 |
| 3.4.1 VTM-GAN网络原理 |
| 3.4.2 VTM-GAN网络步态视角转换 |
| 3.4.3 步态视角转换结果评估 |
| 3.5 基于特征融合的卷积神经网络模型 |
| 3.5.1 底层融合卷积神经网络 |
| 3.5.2 时空双流卷积神经网络模型 |
| 3.6 实验及结果分析 |
| 3.6.1 底层融合卷积神经网络的训练及测试方式 |
| 3.6.2 时空双流卷积神经网络训练及测试方式 |
| 3.6.3 实验结果对比及分析 |
| 3.7 本章小结 |
| 4 基于序列信息融合的孪生卷积神经网络的步态识别 |
| 4.1 引言 |
| 4.2 孪生神经网络原理 |
| 4.3 帧差信息提取 |
| 4.4 基于信息融合的孪生卷积神经网络模型 |
| 4.5 实验及结果分析 |
| 4.5.1 基于信息融合的孪生卷积神经网络训练及测试方式 |
| 4.5.2 基于帧间信息的孪生卷积神经网络的训练及测试方式 |
| 4.5.3 实验结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间研究成果 |
（7）多模复合制导航迹信息融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 多模复合制导技术研究历史现状及发展趋势 |
| 1.2.1 多模复合制导技术国内外研究历史与现状 |
| 1.2.2 多模复合制导技术发展趋势 |
| 1.3 本文的研究工作及安排 |
| 第二章 多模复合制导信息融合基础理论 |
| 2.1 引言 |
| 2.2 信息融合技术原理 |
| 2.3 信息融合系统结构模型 |
| 2.4 多模复合制导信息融合处理方案 |
| 2.5 本章小结 |
| 第三章 航迹形成算法 |
| 3.1 引言 |
| 3.2 数据关联 |
| 3.2.1 跟踪门 |
| 3.2.2 数据关联算法 |
| 3.3 跟踪滤波算法 |
| 3.4 航迹管理 |
| 3.4.1 逻辑法 |
| 3.4.2 记分法 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第四章 航迹融合算法 |
| 4.1 引言 |
| 4.2 时空配准 |
| 4.2.1 时间配准 |
| 4.2.2 空间配准 |
| 4.3 航迹关联 |
| 4.3.1 加权航迹关联算法 |
| 4.3.2 序贯航迹关联算法 |
| 4.3.3 基于灰色关联度的两级实时航迹关联算法 |
| 4.4 航迹融合 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第五章 信息融合系统设计与性能仿真测试 |
| 5.1 引言 |
| 5.2 信息融合系统工作模式和工作流程 |
| 5.2.1 信息融合系统工作模式划分 |
| 5.2.2 信息融合系统工作流程 |
| 5.3 信息融合系统协同处理方案 |
| 5.3.1 多模复合制导协同搜索方法 |
| 5.3.2 航迹信息融合处理策略 |
| 5.4 信息融合系统抗干扰性能仿真测试 |
| 5.4.1 系统仿真测试方法与测试项目 |
| 5.4.2 信息融合系统性能仿真测试结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于毫米波雷达和相机信息融合的危险目标检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 信息融合概述 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究动态 |
| 1.3.2 国内研究动态 |
| 1.3.3 研究现状分析 |
| 1.4 论文主要研究内容 |
| 第2章 传感器数据融合前预处理 |
| 2.1 车载环境感知传感器介绍 |
| 2.1.1 毫米波雷达 |
| 2.1.2 单目相机 |
| 2.2 毫米波雷达目标信号预处理 |
| 2.2.1 雷达目标聚类 |
| 2.2.2 有效目标初步筛选 |
| 2.2.3 目标有效性检验 |
| 2.2.4 实车数据验证 |
| 2.3 相机目标初步筛选 |
| 2.4 本车运动学参数滤波 |
| 2.5 本章小结 |
| 第3章 基于毫米波雷达和相机融合的目标检测模型 |
| 3.1 信息融合策略 |
| 3.2 传感器数据时空配准 |
| 3.2.1 传感器数据时间配准 |
| 3.2.2 传感器数据空间配准 |
| 3.3 毫米波雷达和相机目标匹配 |
| 3.4 目标数据融合 |
| 3.5 目标跟踪 |
| 3.6 本章小结 |
| 第4章 基于车辆运动状态的危险目标检测方法 |
| 4.1 目标的风险评估概述 |
| 4.1.1 基于物理的运动模型 |
| 4.1.2 基于行为的运动模型 |
| 4.1.3 感知与意识交互的运动模型 |
| 4.1.4 风险评估 |
| 4.1.5 危险目标筛选策略 |
| 4.2 车辆行驶状态识别 |
| 4.2.1 坐标系的建立与更新 |
| 4.2.2 车辆行驶状态预判断 |
| 4.2.3 基于配对t检验的车辆行驶状态识别 |
| 4.3 前方车辆所属车道识别 |
| 4.3.1 车道线拟合 |
| 4.3.2 横向相对距离计算 |
| 4.3.3 前车车道识别 |
| 4.4 危险目标筛选 |
| 4.4.1 沿车道方向的距离计算 |
| 4.4.2 碰撞时间TTC计算 |
| 4.5 本章小结 |
| 第5章 试验验证与结果分析 |
| 5.1 实验平台搭建 |
| 5.2 多传感器融合试验 |
| 5.3 危险目标筛选试验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（9）基于DeGroot模型的舆情动力学及其在分布式目标识别中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 舆情动力学的研究现状 |
| 1.2.2 目标识别信息融合研究现状 |
| 1.3 本文的内容安排 |
| 第2章 基本概念和理论基础 |
| 2.1 图论和矩阵 |
| 2.2 D-S证据理论 |
| 第3章 固执代理人具有敏感函数的舆情动力学模型 |
| 3.1 基于DeGroot的模型 |
| 3.2 主要理论结果 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 第4章 基于多地并行融合的多传感器目标识别信息融合方法 |
| 4.1 分布式目标识别信息融合方案 |
| 4.2 基于证据理论的分布式融合算法 |
| 4.3 仿真分析 |
| 4.4 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间承担的科研任务与主要成果 |
（10）跨社交网络多用户身份识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 跨社交网络多用户身份识别算法研究现状 |
| 1.2.1 基于用户档案信息的多用户身份识别算法研究现状 |
| 1.2.2 基于网络拓扑结构信息的多用户身份识别算法研究现状 |
| 1.2.3 基于用户行为信息的多用户身份识别算法研究现状 |
| 1.3 问题提出 |
| 1.4 本文研究内容和组织结构 |
| 1.4.1 研究内容 |
| 1.4.2 组织结构 |
| 第2章 跨社交网络多用户身份识别的基本概念 |
| 2.1 问题定义 |
| 2.2 跨社交网络多用户身份识别的理论框架 |
| 2.3 相似度计算 |
| 2.3.1 基于用户档案信息的相似度计算方法 |
| 2.3.2 基于网络拓扑结构信息的相似度计算方法 |
| 2.3.3 基于用户行为信息的相似度计算方法 |
| 2.4 多用户账号匹配 |
| 2.5 评价指标 |
| 2.6 本章小结 |
| 第3章 基于个性化行为分析的多用户身份识别算法 |
| 3.1 问题描述 |
| 3.2 用户档案信息预处理及相似度计算 |
| 3.2.1 用户档案信息预处理 |
| 3.2.2 用户档案信息相似度计算 |
| 3.3 用户行为信息相似度计算 |
| 3.4 算法描述 |
| 3.4.1 用户信息权重分析 |
| 3.4.2 用户信息权重分配 |
| 3.4.3 多用户身份识别过程 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据说明 |
| 3.5.2 算法有效性分析 |
| 3.6 本章小结 |
| 第4章 基于稳定婚姻匹配的随机森林二次确认算法 |
| 4.1 问题描述 |
| 4.2 多用户身份识别模型 |
| 4.2.1 相似度评分公式 |
| 4.2.2 稳定婚姻匹配模型 |
| 4.2.3 随机森林二次确认模型 |
| 4.3 算法描述 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据说明 |
| 4.4.2 算法有效性分析 |
| 4.5 本章小结 |
| 第5章 基于用户行为习惯的多用户身份识别算法 |
| 5.1 问题描述 |
| 5.2 用户显示名称特征分析及相似度计算 |
| 5.2.1 长度特征 |
| 5.2.2 字符特征 |
| 5.2.3 字母特征 |
| 5.2.4 显示名称所含特征的权重分配算法 |
| 5.3 用户发布内容分析及兴趣图谱相似度计算 |
| 5.4 带有一对一约束的多用户身份识别算法 |
| 5.5 实验结果与分析 |
| 5.5.1 实验数据说明 |
| 5.5.2 算法有效性分析 |
| 5.6 本章小结 |
| 第6章 基于两级信息熵的多用户身份识别算法 |
| 6.1 问题描述 |
| 6.2 多用户身份识别框架 |
| 6.3 基于两级信息熵的权值分配算法 |
| 6.3.1 单项用户信息的权值分配分析 |
| 6.3.2 用户信息权值分配算法描述 |
| 6.4 多用户账号匹配 |
| 6.5 实验结果与分析 |
| 6.5.1 实验数据说明 |
| 6.5.2 算法有效性分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 缩略语词汇表 |
| 致谢 |
| 攻读学位期间的研究成果 |
四、基于信息融合的身份识别技术（论文参考文献）
- [1]自然场景下幼儿的身份识别与行为分析研究[D]. 费宏昱. 浙江大学, 2021(09)
- [2]多源信息融合多目标跟踪技术研究与设计[D]. 缪显涵. 电子科技大学, 2021(01)
- [3]基于D-S证据理论的空中目标敌我识别研究综述[J]. 陈致远,沈堤,余付平,陈宏阳,赵凯. 航空兵器, 2021(03)
- [4]多模态身份识别及其在仿人服务机器人上的应用[D]. 叶家杰. 广东工业大学, 2020(06)
- [5]基于超限学习机的人体步态识别研究[D]. 李吉利. 杭州电子科技大学, 2020(02)
- [6]基于深度学习的多视角步态识别[D]. 瞿斌杰. 东华大学, 2020(01)
- [7]多模复合制导航迹信息融合技术研究[D]. 靳冰洋. 西安电子科技大学, 2020(05)
- [8]基于毫米波雷达和相机信息融合的危险目标检测方法研究[D]. 王成. 吉林大学, 2020(08)
- [9]基于DeGroot模型的舆情动力学及其在分布式目标识别中的应用[D]. 赵照. 闽南师范大学, 2020(01)
- [10]跨社交网络多用户身份识别算法研究[D]. 邓凯凯. 河南科技大学, 2020(07)