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．     

基于ART神经网络的地震剖面反褶积新方法

提出一种基于ＡＲＴ神经网络（及其改型）从地震剖面中识别子波的新方法．发挥神经网络在模式识别和优化计算两方面的优势，先以无教师学习算法从剖面中识别出子波，再通过ＴＨ神经网络作反褶积．实验结果表明，本文提出的方法有明显的效果，特别在地震剖面中存在一些相隔较远的反射层时有很好的效果．     

用于控制图模式识别的广义神经网络系统

面向过程控制图的模式识别,提出了一个广义神经网络系统.该系统基于广义过程对象模型发生数据,离线训练后能够在线识别各类工业过程常见的控制图模式,模块化的设计使得神经网络系统的结构相对简单,有效地提高了网络的训练速度和模式识别的准确率.首先研究了广义过程对象模型参数对神经网络控制图模式识别率的影响,并基于此影响规律设计了包含模式识别分类模块与模式参数估计模块的集成化神经网络系统结构;其次使用基于广义对象模型产生的数据对神经网络系统进行了训练和验证,讨论了学习训练方法,并进行了控制图模式识别性能的仿真测试,获得了满意的结果.在TE过程仿真平台上进行了实验,给出了对上升阶跃模式和下降阶跃模式的识别结果,表明了具有较高的识别率.     

基于神经网络的手写电气元件符号识别系统

神经网络模式识别在现代数字图像处理中的应用,是数字图像处理技术的一次革 命．以神经网络模式识别技术在电气元件符号图形识别中的应用为对象,着重于手写电气元 件符号自动识别系统的研究,介绍了整个系统的结构和功能,给出了相应的数据流图和主要数 据结构,提出了一种基于神经网络的模式识别方法,并对系统的实际应用作了验证,为进一步 的研究奠定了基础．     

基于△u模式和RBF网络的局部放电模式识别

局部放电（PD）模式识别是诊断高压电气设备内绝缘缺陷的重要方法之一．采用了一种△u模式参量作为局部放电的图谱特征，并采用不变矩作为放电特征；同时，采用了径向基函数神经网络（RBFNN）对局部放电△u模式参量构成的图谱特征进行识别．结果表明采用正交最小二乘法（OLS）训练的RBFNN对△u模式中的不变矩特征参量进行识别，RBFNN收敛速度快且稳定性强，识别率达到85．7％以上，能够很好地识别由5种人工绝缘缺陷模型产生的局部放电信号，在实际应用中具有良好的应用前景．     

基于气测资料的储层含油气性识别方法

基于气测资料构造适当的综合指标，分别利用模糊模式识别和误差反向传播（BP）神经网络两种方法对储层含油气性进行了分析。结果表明，气测资料与储层含油气性具有较强的相关性。模糊模式识别方法可以用来确定气测综合指标与储层含油气性之间的模糊关系，而且对待识别样品气测资料的随机性具有较强的适应性；神经网络法能够较准确地建立气测综合指标与储层含油气性之间的非线性关系，但在待识别样品气测资料具有随机性的情况下，识别结果具有随机性：利用模糊模式和BP神经网络方法对储层含油气性进行识别具有一定的可行性，能快速为储层含油气性分析提供一定的参考依据，并且前一种方法的识别效果优于后一种方法。     

基于模糊模式识别神经网络的企业风险动态识别方法研究

在企业风险等级识别过程中存在风险效应人为等分需要量化处理、多维特征指标识别困难以及不同企业间指标高度相似性等问题.为了更好地解决这些识别问题,将模糊模式识别与神经网络相结合提出模糊模式识别神经网络动态识别方法.该方法既克服了模糊模式识别只能处理静态数据且不能实现特征提取的问题,又克服了神经网络对于高维度、高相似性特征指标识别困难的问题.     

基于表面EMG功率谱和BP网络的多运动模式识别

结合功率谱比值法和BP神经网络提出一种基于表面肌电信号（EMG）的多运动模式识别算法．该算法首先根据表面肌电信号功率谱的特点,提出一种有效的特征提取算法——功率谱比值法;然后将功率谱比值特征作为BP神经网络的输入向量,实现对伸腕、屈腕、张开、合拢四种动作模式的识别,该识别结果可为肌电假手的多种运动模式提供仿生控制的信号源．实验结果表明,该方法对同一健康受试者四种运动模式的识别成功率平均达到95％,而对不同的健康受试者的识别成功率平均达到85％．     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

光学相关不变性模式识别的局限性及其出路

本文运用神经网络理论分析了光学相关不变性模式识别的局限性,在保持光学相关模式识别方法的合理内涵的基础上,提出了基于两层神经网络的不变性模式识别方法,分析了这种方法的普适性、适应性、最优并行性及其在硬件实现上的优点,并给出该方法用于多个飞行目标多畸变不变性识别的实验结果．     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

一种BP神经网络软件的设计

介绍了BP神经网络模型及其算法,设计出一种基于模糊的能实现的任意结构的三层BP神经网络软件.软件网络模型具有较高的可靠性.测试表明,该神经网络软件的学习效果达到较高的精度,可广泛应用于故障诊断、模式识别、最优预测等方面.     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

Gender Recognition with Face Images Based on Partially Connected Neural Evolutionary

In this paper,a new type of neural network model - Partially Connected Neural Evolutionary (PARCONE) was introduced to recognize a face gender. The neural network has a mesh structure in which each neuron didn't connect to all other neurons but maintain a fixed number of connections with other neurons. In training,the evolutionary computation method was used to improve the neural network performance by change the connection neurons and its connection weights. With this new model,no feature extraction is needed and all of the pixels of a sample image can be used as the inputs of the neural network. The gender recognition experiment was made on 490 face images (245 females and 245 males from Color FERET database),which include not only frontal faces but also the faces rotated from-40°-40° in the direction of horizontal. After 300-600 generations' evolution,the gender recognition rate,rejection rate and error rate of the positive examples respectively are 96.2%,1.1%,and 2.7%. Furthermore,a large-scale GPU parallel computing method was used to accelerate neural network training. The experimental results show that the new neural model has a better pattern recognition ability and may be applied to many other pattern recognitions which need a large amount of input information.     

基于量子粒子群算法的BP网络板形模式识别研究

针对目前板形模式识别方法存在的问题,以及考虑到现代轧机板形控制手段的多样化和板形控制能力的提高,为了提高板形模式识别模型的精度,本文以1次、2次、3次和4次勒让德正交多项式为板形基本模式,建立了基于量子粒子群-BP算法混合优化神经网络的新型板形模式识别模型。仿真实验表明,该模型抗干扰能力强、识别精度高、速度快,可以为板形控制策略的制定提供可靠依据。     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于改进GA算法优化RBF网络的航空发动机叶片损伤图像识别

通过对航空发动机叶片损伤图像进行识别,可以快速准确的发现叶片损伤状况,有利于对故障进行及时有效的预测。本文对损伤图像进行分割,提取损伤图像特征参数,采用改进GA算法优化RBF网络参数的方法建立航空发动机叶片损伤图像识别模型,对损伤图像特征参数样本进行仿真实验,识别正确率为93.33%,同时与单一RBF网络模型识别结果进行对比分析,结果表明该方法更加优越有效。     

基于BAM神经网络的钻井复杂事故识别研究

在详细分析钻井复杂情况和事故的基础上,应用神经网络的新方法成功地解决了钻井复杂情况和事故的识别问题。BAM神经网络具有模型和算法简单的特点,是作为类似摸式识别问题研究的一种较好的工具。