基于粗集神经网络的目标识别

研究了粗集和神经网络方法在信息融合目标识别中的应用,提出将神经网络学习机制引入到粗集系统,同时通过粗集的条件和决策属性构造神经网络结构,并针对三种不同谱段下的三种不同目标图像进行了实验,试验表明,粗集神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率,训练时间也大大缩短。     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.     

基于Rough集的集成离散化算法

离散化是Rough集理论研究的一个重要内容,目前基于Rough集的离散化算法很难做到高效率和高识别率兼顾.文中分析了基于断点重要性算法和基于属性重要性算法的特点,确定了离散化思路,提出了一种基于Rough集的集成离散化算法.该算法能够有效降低候选断点的数目,快速地实现决策表的离散化.实验结果表明,文中算法保持了与已有算法可比的识别率,且运行效率更高.     

一种联合多神经网络分类器的融合算法

给出了一种用于目标识别的自适应神经网络 ,在此基础上 ,提出了一种联合多神经网络分类器的融合算法。舰船目标实测数据分类实验证明 ,基于该融合算法的分类系统具有可靠性高、识别率高、推广性能好等优点。因此 ,在水下目标识别系统中 ,具有重要的工程应用价值。     

信息融合在空间点目标识别中的应用

提出一种三级融合的多传感器信息融合空间点目标识别方法,将BP网络和D—S证据推理有效地结合起来.第一级融合采用神经网络进行识别,第二和第三级采用D—S证据理论进行识别.经过三级融合后可以提高系统的识别率,尤其是在有噪声的情况下.仿真实验验证了算法的有效性.     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

基于深度学习的应急手势识别算法研究

本文提出了一种基于深度学习的应急手势识别算法.首先采用深度图像传感器做手势分割获取应急手势数据集,其次采用肤色分割算法和本文提出的应急手势识别算法做实时性测试.与常规算法不同的是,本文构建了一个应急手势数据库,并建立了深度卷积神经网络模型,提出了7种应用于多种场景的应急手势识别算法.实验结果表明,本文应急手势识别算法优于现有的机器学习算法,识别率达99.95%,可广泛应用于人机交互场景.     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。     

基于Rough集和构造性学习神经网络的经济预警模型

在深入分析人工神经网络(ANN)与粗集(Rough set)理论方法的基础上,将Rough集、构造性神经网络与宏观经济预警研究相结合,尝试建立起基于Rough集-覆盖算法的构造性神经网络宏观经济预警方法体系;结合安徽省经济数据,对该模型预警实证分析。理论和实践证明,基于Rough集-覆盖算法的构造性神经网络预警模型是有效的、可行的,且具有较高的精度,从而为动态经济预警提供一条新的途经。     

基于多DSP混合结构的Gabor小波神经网络图像目标识别

提出了一种基于多DSP混合结构的Gabor小波神经网络图像目标识别新方法.利用TMS320C5409设计了多DSP混合结构系统,根据并-串结构系统的特点,设计了Gabor小波神经网络算法.算法被分成不同的并-串结构进行运算,利用串行的DSP-1进行Gabor小波变换提取图像目标的特征向量,并输入到采用不同网络结构的并行多DSP进行BP网络运算,串行的DSP6对BP网络输出的后验概率进行加权平均,给出分类结果.对9种飞机目标进行了分类识别仿真实验.实验结果表明,该方法应用于多目标识别时,识别时间为2.8 ms,识别率达到98%.     

基于粗糙集和BP神经网络的心脏病病症诊断方法

提出了把粗糙集和BP神经网络结合应用于心脏病病症诊断的方法,用经Konhonen网络量化后的心脏病病人病症数据及诊断结果建立决策表,使用粗糙集理论进行属性约简,约简后的病症数据作为BP神经网络的输入,诊断结果作为BP神经网络的输出.通过实际病例的诊断表明,利用粗糙集和BP神经网络相结合的方法,可有效提高心脏病症诊断的精度和速度,同时也减少了检查项目,降低了诊断成本.     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

基于粗糙集理论的RBF神经网络在LUCC分类浅析

将粗糙集作为神经网络的预处理单元,利用粗糙集消除冗余特征,减少神经网络的输入节点,降低了网络规模,加快了训练速度。粗糙集神经网络利用粗糙集原理进行知识的表达、推理和简化,利用神经网络的并行特点完成网络学习运算,能更有效地处理不确定、不精确及冗余的数据。结果表明,粗糙集简约后的决策信息放入RBF神经网络中进行运算,输出结果与BP网络运算结果进行对比,在运算时间和测试精度上均优于BP网络。     

基于粗集理论的神经网络

在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后,首先探讨粗集学习与神经网络学习的结合方法,然后提出一种基于粗集预处理的神经网络系统,最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子,来说明基于粗集的神经网络系统的优越性     

多源信息融合故障诊断方法研究进展

简述多源信息融合与故障诊断的关系,指出多源信息融合故障诊断的一般方法。从融合结构和融合算法的角度对多源信息融合故障诊断方法进行了分类阐述,并分别说明其诊断原理与研究现状;指出信息融合故障诊断按融合结构可分为层次结构信息、多级信息和组合神经网络的融合故障诊断,按融合算法分为基于贝叶斯理论、DS证据理论、模糊集理论、粗糙集理论和人工神经网络的融合故障诊断。最后展望了信息融合故障诊断方法的未来发展趋势。     

粗糙集神经网络系统在歼击机结构故障诊断中的应用

给出故障诊断中定性和定量的诊断方法,先用粗糙集理论定性分析有无故障及故障的性质,再用神经网络定量计算故障的大小.通过利用粗糙集的数据预处理能力,从原始的数据中提取出故障诊断的规则,从而将输入映射到输出的子空间,而后在此子空间上用神经网络进行故障度的诊断.文中还将此法用于某歼击机的故障诊断中,并和传统的人工神经网络故障诊断模型相比较,结果表明了本文方法的有效性.     

基于粗糙Multilayer Perceptron网络的规则提取及生成方法研究

将粗糙集理论同神经网络结合起来,提出了一种基于粗糙集的神经网络体系结构,并以此为基础讨论了神经网络中的规则提取方法.为扩大神经网络的适用范围,利用粗糙集理论中的相关概念来指导神经网络系统的构建,从而使系统参数具有较为明确的物理意义.提出一种对该网络进行训练的学习算法.根据网络中各节点所对应的物理意义以及相应连接权值的大小,给出了一种折衷型算法对粗糙神经网络进行推理规则提取和生成.实验结果表明:粗糙神经网络具有较好的工作性能,并且能给出相应的推理规则.