一种可提高试井模式识别准确度的改进HT—BP方法

在用BP神经网络进行试井问题模式识别的过程中,若将现场试井数据简单地以点对方的方式送入BP神经网络进行识别,则与训练模式无法对应;若在用BP神经网络学习和识别曲线之前进行归一化处理,则会引起曲线的尺度变化和空间位移。结合试井问题对Hough变换进行了改进,提出了改进Hough变换相应的比例和空间压缩方法。用比例变换和空间压缩方法及改进Hough变换法对试井曲线进行预征处理后再送入BP神经网络,可以大大改善识别能力。实例说明,改进Hough变换与BP神经网络相结合的方法（ＭＨＴ－ＢＰ）对试井模式识别的准确性较高。     

基于灰度共生矩阵和BP神经网络的道床板结识别

将神经网络处理非线性问题的优势和灰度共生矩阵描述纹理的经典算法应用于铁路道床板结的识别研究.本文通过改进Hough变换的方法来检测定位道床区域,然后采用灰度共生矩阵对正常的道床和板结的纹理图像进行特征提取,探索基于BP神经网络进行道床板结检测和识别的方法,实现了道床板结识别的算法.实验结果表明,有较好的效果.     

协同神经网络的不变性研究

协同神经网络作为一种全新的神经网络,它的自上而下的构造方式,与自然界中自组织现象存在深刻的相似性．文中在介绍了模式识别协同神经网络的基础上,研究了协同神经网络用于模式识别的空间不变性．通过二维傅氏变换、复对数映射等方法,对图象进行预处理,提取图象的空间不变性,并在变换后的空间上利用协同神经网络进行识别．试验表明,协同神经网络不但能够识别空间变化的图象,并且对缺损、加噪图象也能很好识别,并且识别速度快,鲁棒性强,不会出现传统神经网络经常出现的伪状态．     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际试井数据识别试井解释模型．本文用模拟的数据、不完整的数据、有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试．结果表明人工神经网络能够正确地识别试井解释模型，也能识别不完整的、有噪声的数据．人工神经网络技术有效地改进了目前在试井解释模型中广泛采用的模式识别方法，是一个非常值得推广和使用的技术     

不稳定试井分析中参数识别的神经网络方法

在不稳定试井分析中,调整试井解释参数往往花费解释人员大量的时间。特别,当试井解释参数较多时,进行参数调整就更为困难,有时得不到一个合理的参数识别结果。因此,研究新的试井解释参数识别方法势在必行。目前,典型曲线的自动拟合方法是其研究成果之一,但由于数值计算方法的局限,使得该方法难于推广。文中研究了基于神经网络的系统辨识方法在不稳定试井分析参数识别中的应用。通过神经网络对一实际的油气藏系统进行建模和辨识,从而由新的神经网络模型可以获得参数识别结果。着重讨论了均质地层和双重介质地层的压力不稳定测试的参数识别问题,一个实例的分析显示了该识别算法的特性。     

生物芯片微阵列图像倾斜校正算法研究

针对现有生物芯片图像倾斜校正算法校正精度和运算速度的矛盾问题,提出对矩形样点和圆形样点图像分别采用改进的Hough变换和改进的Radon变换方法进行倾斜校正。改进的Hough变换首先对图像进行二值化,并仅统计矩形样点的上下边缘像素的Hough参数和累计值,然后根据所得的Hough参数空间提取占主导的直线组,最终计算出直线组的平均倾斜角度;改进的Radon变换在提取圆形样点边缘后,对边缘图像进行二级Radon变换,从而得到最佳校正角度。实验证明本文的方法能准确、快速地实现芯片图像的倾斜校正,为生物芯片样点识别奠定基础。     

基于BP神经网络改进算法的遥感图像分类试验

BP神经网络分类方法是一种新的模式识别方法,在遥感图像分类识别处理中有良好的应用前景。本文在阐明标准BP算法及其改进算法——Levenberg-Marquardt算法的基础上,介绍了BP神经网络的遥感图像分类过程,并在MATLAB平台下对基于BP神经网络的分类算法进行了试验。实验结果表明基于BP神经网络的遥感图像分类方法是一种有效的图像分类方法。     

基于改进的BP神经网络方法的数据挖掘

数据挖掘技术是从庞大数据中挖掘出隐藏信息的有效工具,它包括神经网络、数据库技术、信息检索、模式识别、图像与信号处理和空间数据分析等多门学科技术。该文主要对传统BP神经网络算法进行改进,并将改进后的算法应用于数据挖掘的技术上,且将仿真实验结果与传统算法的实验结果做了对比,结果显示改进后的算法可以提高数据的分类与识别。     

基于DCT和BP神经网络集成的人脸识别

人脸识别是模式识别和图像处理领域的研究热点和难点,尽管已提出了许多方法,然而如何在变化的环境下实时、高效地识别人脸仍是一个难题.鉴于离散余弦变换(discrete cosine transform,DCT)有较高的压缩性能和快速算法以及集成神经网络良好的泛化能力,提出了基于DCT和神经网络集成的人脸识别方法.首先用DCT提取人脸特征矢量,然后构建集成BP(back propagation)神经网络对人脸进行分类识别.在ORL(olivertti research laboratory)人脸库上的仿真实验结果表明,提出的方法取得了较快的训练和识别速度、较高的识别率,因此该方法是一种快速高效的人脸识别方法.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.     

Hough变换在航迹起始中的应用

为了在重杂波区内检测出运动的目标 ,提出了一种改进的 Hough变换算法用于初始航迹的建立。通过检测在变换后参量空间的积累程度 ,可以识别处于匀速运动的目标。同传统的 Hough变换算法相比 ,设计中选取了更为合适的变换参量 ,改进了原算法中性能随距离变化的缺点。解决了跨相邻图元造成积累丢失 ,推算并验证了航迹起始的检测概率及虚警概率。该算法充分利用了目标在采样时间段内的累积信息 ,具有简化的检测手段 ,和良好的检测性能     

采用最小均方误差筛选参数的Hough变换及应用

为了在含有大量噪声的图像中精确地检测形状,提出了采用最小均方误差筛选参数的Hough变换方法:首先采用Hough变换投票得到参数空间上的投票值,然后初步筛选出所有投票值大于投票阈值的参数,再分别计算这些参数对应图像在边界图像中的均方误差,最后选择其中均方误差最小的一组参数作为最后的检测结果.将该方法与取最大投票值的Hough变换分别应用于虹膜外边缘定位并相互比较,实验结果表明,该方法抗噪声能力更强,适用范围更大,得到的结果更加合理.     

基于平面变换技术的脉冲信号分选

针对平面变换分选信号方法中人工检测特征曲线的缺点,对平面变换后特征曲线的检测方法进行了研究.将随机Hough变换引入平面显示变换后的特征曲线检测,导出了检测曲线参数与待分选脉冲序列的脉冲重复间隔(PRI)之间的关系,利用该技术可实现对平面变换后特征曲线的自动检测与分离,该方法适用于固定PRI、参差PRI和随机抖动PRI脉冲序列的分选.     

基于改进Hough变换的刀具磨损状态监测

针对传统Hough变换的参数空间所需存储量大、运算量大、不利于实现实时监测等缺点,提出了一种基于随机Hough变换的改进Hough变换算法,并将该方法用于工件表面纹理图像的处理,通过对工件表面的二值边缘图像进行改进Hough变换,提取直线段平均长度及直线段与切削速度方向的夹角作为特征参数,实现对刀具磨损状态的判断.算法分析和实验结果表明,该算法所需存储空间少,计算量小;提取的特征参数与刀具磨损状态之间存在密切联系,根据特征参数的变化规律可实现对刀具磨损状态的监测.     

基于边缘编组的车位线检测方法

针对自动泊车系统中检测车位线的问题,提出基于边缘编组的车位线检测方法。首先对图像进行预处理,并对传统Canny边缘检测算子改进,增加45°和135°方向模板计算梯度幅值和方向,降低噪声干扰并提高图像质量;接着,对边缘图像进行8邻域搜索并聚类分组,剔除较短直线、解决过连接问题;最后利用各边缘组内相邻两像素点梯度方向差分剔除非车位线特征的边缘组,通过对每个边缘组做随机Hough变换,并利用先验知识和最小二乘法拟合得到车位线。实验结果表明,该算法相对于传统Hough变换可以在不同情形下准确检测到车位线,并且具有较好的实时性。     

CAD/CAI中的图形识别研究

图形的自动识别是计算机辅助设计和辅助教学研究中的一个难点,识别图形的重要判据是两图的特征重合率.本文对图形的基本要素之一———直线的相似判别进行了研究,霍夫变换方法常应用于图形判别和图像识别,霍夫变换是将图形空间的点根据某些约束条件拟合成线段,点可以用通过该点的线段集合来描述.本文最后利用了聚类方法中的最小距离法进行了两个图形特征相似性的判别,通过最小距离法可以进行图形正确与否的判别.     

分层迭代Hough变换法检测微器件圆形轮廓

微器件装配过程中对微器件进行模式识别和定位是微器件装配系统中机器视觉的一项关键性技术。分层迭代Hough变换法先对原始图像进行分层预处理 ,然后对不同层的图像进行迭代运算 ,通过调节图像与存储数组的大小来有效地减小存储空间和计算量。实验结果验证了算法的有效性和合理性。对于实验所用的图像分层迭代 Hough变换法将存储量和计算量分别减小为标准 Hough的 1/ 316和 1/ 172。因此该算法是一种能够满足微器件装配精度要求的有效方法 ,可用于含噪图像中圆形轮廓的实时检测和定位方面     

基于局部PCA方向统计分析的Hough直线检测算法

为克服经典Hough变换本身存在的计算时间长、存储空间大的缺点,提出基于局部PCA方向统计分析的Hough直线检测算法.首先在边缘图像范围中选取合适大小的掩膜,通过局部PCA获得支持集内像素点的主元方向;侧重依据所有掩膜内主元方向信息的统计规律来约束Hough变换的极角选择范围,通过缩小参数θ选择范围大大缩短搜索时间.同时,每当一条直线检测完毕,当即把该直线上的点从原图像中除去,一方面可以避免直线间尤其是角度相近的直线问的影响,另外也减少下一轮极角予集范围内搜索的像素点数,提高运算效率.上述过程依此循环,直到检测出所有规定的直线.实验表明,所提出的算法计算精度高,运算时间短,并能提供直线段的完整描述.     

Hough变换的分布式并行计算

针对标准Hough变换存储空间需求高、计算量大的缺陷，提出了一种用分布式并行计算实现Hough变换的方法，对分布式算法的分析与设计、Java远程方法调用、多线程同步、负载均衡等关键问题进行了讨论．实验表明，在拥有k台提供资源计算机的分布式系统中，分布式并行计算的时空开销可降低到标准Hough变换的大约1／k．