人脸识别:一种基于特征融合及神经网络的方法

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合；然后使用UDT(Uncorrelated Discriminant Transfom)对融合后的特征进行变换，以获得最优鉴别矢量；最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。     

基于离散余弦变换的红外目标识别算法

提出了一种基于离散余弦变换的红外目标特征描述方法，通过离散余弦变换描述子提取平移、旋转、尺度放缩等变换下不变性的目标形状特征，利用前向传播神经网络学习及识别这些特征向量，对3类不同姿态下的目标图像进行了分类识别，并将所提出的特征提取方法与傅立叶描述子进行比较。仿真结果表明，和傅立叶描述子相比，在保证识别率不变的情况下，采用余弦变换描述法可以减少数据运算量和运算时间。     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

基于小波重构的动态过程LSSVM-BPNN在线智能监控模型

为实时监控动态过程的运行状态,提出基于提升小波变换和最小二乘支持向量机(LSSVM)及BP神经网络(BPNN)相结合的在线智能监控模型。采用提升小波变换提取原始数据的重构特征,并分别抽取重构后数据序列的均值、形状特征。利用基于提升小波重构特征的LSSVM判定动态过程是否异常,基于重构后均值特征的BPNN将5种异常模式划分为3个类别。通过基于重构后形状特征的LSSVM对3类异常模式进一步识别。最后,应用该模型对某精密轴加工过程进行在线智能监控。结果表明,与基于离散小波重构的BPNN模型、基于统计和形状特征的支持向量机模型相比,所提模型不仅识别精度高且训练耗时少。     

改进的SOFM及其在矢量量化中的应用

根据等失真(Equidistortion)理论提出了一种基于改进的自组织特征映射(SOFM)神经网络的矢量量化方法,该算法将失真敏感机制引入神经网络的竞争学习过程。通过调整码字的部分失真来指导神经网络的学习,以使得所设计的码书平均失真最小。同时把矢量量化应用于图像的小波变换域,根据图像小波变换高频系数的空间分布特点来组织码书,从而进一步提高码书的质量和适应性。通过实验对算法的性能进行了分析,证明了算法的有效性。     

一种基于神经网络的红外目标识别方法

文中介绍了一种基于神经网络的目标识别方法。该方法利用径向基函数（ＲＢＦ）神经网络，结合目标边界的形状特征，对平移、旋转及尺度变化情况下的目标进行了分类识别。实验结果表明，这种识别方法性能稳定，且具有很高的识别精度。     

基于DTW和LVQ网络混合模型的语音识别方法

提出一种基于动态时间规整（DTW）和学习矢量量化（LVQ）神经网络的语音识别方法。该方法用动态时间规整算法先对语音信号进行时间规整，然后通过学习矢量量化神经网络进行语音的分类识别。首先介绍利用动态时间规整和学习矢量量化进行语音识别的基本方法，然后给出DTW／LVQ混合模型的系统结构和学习算法，最后给出三种语音识别算法的实验结果。大量实验表明，混合模型的识别率，皆明显高于单一的动态时间规整和学习矢量量化的识别率。     

用于图像目标识别的神经网络方法

本文提出了一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉｍｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络不一定收敛到期望样本点上。本文的模型采用了先设计稳定点、再构造吸引域的方法，提高了网络的识别正确率及速度。针对图像识别中矢量维数大的实际，提出了一种不变性方法，使得样本维数下降而分类距离保持不变。同时又证明了网络的收敛性、收敛速度及映射保距等。计算机模拟结果表明，网络对噪声或缺损图均能正确识别。     

基于最优特征矢量子空间的雷达目标识别

针对雷达特征子空间距离像识别中存在的如何选择特征基的困难,提出了一种基于最优特征矢量子空间的雷达距离像识别方法。该方法首先对原数据样本进行特征提取变换,再采用遗传算法选取最优特征矢量,由此组成最优子空间。通过对三种不同类型飞机实测回波数据进行识别,并与经典特征子空间法的对比实验,表明该方法的有效性。     

基于优化的RBF神经网络模式识别新方法

提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。     

基于时频分析与神经网络的实时智能故障诊断系统的软件设计--数据格式转换与信号处理功能的开发

介绍了以振动/声响信号为传感器的采集对象,基于小波(包)及联合时频信号处理和模糊神经网络分类的多用途智能故障诊断系统中的实时数据采集、信号分析与识别诊断等模块的程序设计与实现.作者所开发的实用软件包在现代汽车实时故障诊断中的成功应用证明了其理论与软件开发的正确性和有效性.这里着重介绍智能故障诊断系统的数据格式转换与实时信号处理部分的设计、实现方法.     

基于时频分析与神经网络的实时智能故障诊断系统的软件设计--总体构架与实时数据采集功能的开发

介绍了以振动/声响信号为传感器的采集对象,基于小波(包)及联合时频信号处理和模糊神经网络分类的多用途智能故障诊断系统中的实时数据采集、信号分析与识别诊断等模块的程序设计与实现.作者所开发的实用软件包在现代汽车实时故障诊断中的成功应用证明了其理论与软件开发的正确性和有效性.这里着重介绍智能故障诊断系统的软件框架的设计以及实时数据采集部分的设计、实现方法.     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

DTCNN的人脸识别算法的Map-Reduce并行化实现研究

传统人脸识别算法都采用基于特征提取的解决方案，所以有效的特征需要很强的先验知识和丰富的工程经验.本文引入深度平 铺卷积神经网络（deep tiled convolutional neural networks，DTCNN），利用深度平铺卷积神经网络的特征学习能力来实现 人脸识别，可是由于深度平铺卷积神经网络的运算复杂度高，并且在处理海量数据时会出现训练时间过长，内存占用大等问题.为此本 文提出一种Map-Reduce并行化的DTCNN算法.实验表明，深度平铺卷积神经网络能够获得比传统经典人脸识别更好的性能，而 Map-Reduce的引入又极大地减少了大数据集下的系统训练时间.     

基于电子支付密码的支票自动容错识别系统研究

系统地研究了基于电子支付密码 (又称变码印鉴 )的支票自动容错识别技术 ,包括基于电子支付密码的支票识别系统的组成 ,支票数字图形的提出、特征提取和预处理、应用多种神经网络识别方法对大写和阿拉伯数字识别、对多种侯选方案进行容错识别等技术 ,并建立了支票识别原型系统 ,并取得了理论成果 ,该系统有应用前景 .     

水下目标的特征提取及识别

针对水下成像的特殊性以及成像环境的复杂性,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难。此外针对传统的BP神经网络存在收敛速度慢以及容易陷入局部极小值的缺点,引入粒子群算法对神经网络的学习训练进行优化。为了验证所提方法的有效性,对四类水下目标进行了特征提取以及神经网络识别实验。结果表明改进后的神经网络收敛速度快,并且获得了较高的识别准确率。     

基于神经网络集成的说话人识别算法仿真研究

说话人识别研究中采用的语音信号特征同时包含了语义信息和话者信息,二者相互影响,给识别带来了很大的困难。为解决这个问题,我们将集成思想应用于说话人识别中,针对每个汉语单韵音的特征空间训练一个神经网络实现说话人分类,并使用另一个神经网络对多个单韵音神经网络识别器的识别结果进行结合。该方法可以有效地避免语义信息对说话人识别的干扰,提高识别精度。不仅如此,神经网络集成的识别结果还可以同时给出该帧语音所属的单韵音类型。仿真实验结果表明,集成系统的识别精度高于单一神经网络,并且在与多种算法的对比中也展示了良好的性能,更重要的是,该方法给出了一种从语音特征中分离语义信息和说话人信息的新思路。     

Feature evaluation and extraction based on neural network in analog circuit fault diagnosis

Choosing the right characteristic parameter is the key to fault diagnosis in analog circuit. The featureevaluation and extraction methods based on neural network are presented. Parameter evaluation of circuit features is realized by training results from neural network; the superior nonlinear mapping capability is competent for extracting fault features which are normalized and compressed subsequently. The complex classification problem on fault pattern recognition in analog circuit is transferred into feature processing stage by feature extraction based on neural network effectively, which improves the diagnosis efficiency. A fault diagnosis illustration validated this method.