基于递归标记和神经网络的红外目标匹配识别

提出了一种红外图像匹配算法。选取实际红外目标,依据图像预处理后的图像,提取对应目标的递归标记,作为BP网络的输入样本,目标的形心为输出样本构建BP神经网络。对网络进行抗干扰训练后,根据目标形心特征进行变分辨率相关匹配。该算法在提高了目标识别率的同时,极大地增强了图像处理的实时性,具有工程实用价值。     

基于颜色特征对木质板材分级的研究

给出几种基于颜色和纹理特征木质板材的分级算法,这几种方法通过主颜色和共生矩阵特征,分别利用神经网络中的RBF网络和K-近邻对木质板材样本图像进行处理,然后进行分类的方法。木质板材样本图像通过对木材加工处理采集而得到的。主颜色特征是反映一幅图像的基本面貌的,并通过HSV颜色模型、量化、颜色直方图和绝对距离而得到的;再加上共生矩阵特征。选取三种主颜色方案数据,经过Matlab7.0平台进行程序设计,对木质板材样本图像数据进行训练和测试,并加以验证。实验结果表明,这几种方法能够较好地解决木材分级的问题。     

光波导方向耦合器中神经网络应用研究

采用神经网络对光波导方向耦合器进行建模,用于对其进行分析,设计及优化。以两波导间距作为输入样本,光波导的耦合系数作为输出样本,进行神经网络模型训练。当模型训好后,在训练范围内把任意两波导间距输入到模型中,输出端迅速得到对应的耦合系数,与电磁场数值分析计算比较,误差小于1%。结果证明该方法具有快速、准确、可靠等优点,在科研和工程中具有很高的实用价值。     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

基于BP神经网络的纳卫星轨道热环境辨识

为了实现纳卫星轨道热环境的辨识,在纳卫星热系统动态特性模型以及BP神经网络的基础上,建立纳卫星轨道热环境辨识模型.首先,利用周期性空间外热流输入求解纳卫星热系统动态特性模型,然后,选取数据样本完成BP神经网络的训练.最后,将训练后的BP神经网络应用于实际的纳卫星飞行模式中的轨道热环境辨识,进行验证.通过辨识结果与实际轨道热环境的对比,证明了纳卫星轨道热环境辨识模型的泛化能力及准确性.     

用模糊BP神经网估算小卫星成本

提出了用BP神经网对卫星成本进行二维估算 ,即先求出样本点集扩散到控制点集中的模糊数 ,然后将对应同一控制输出变量的控制输入变量的模糊数作为学习样本 ,让BP神经网进行学习。学习后的BP神经网就能在给定输入变量的情况下 ,估算出输出变量。最后 ,给出了小卫星成本的质量和定点精度模糊BP神经网估算的实例 ,取得了满意的结果。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

BP神经网络应用中的前后处理过程研究

在 BP网络的应用过程中 ,采用数理统计中的一些技巧 ,用主成分分析法作为前处理过程进行样本集的选择与优化 ,用回归分析和相关性分析的方法作为后处理过程之一对训练结果进行分析 ,用置信区间分析的方法作为另一种后处理过程对输出结果的可信度进行预测 .这几种处理过程可以作为 BP神经网络应用研究的一个必要的补充.     

采用拓展空间法建立迟滞模型

神经网络应用于非线性建模具有很多优点,但对迟滞这类多值映射非线性无能为力.一个新的基于神经网络的迟滞建模方法--拓展空间法被提出.通过坐标变换建立基本迟滞算子,将基本迟滞算子的输出与迟滞输入同时作为神经网络的输入,使神经网络的输入空间由一维上升为二维,从而使输入与输出之间形成一对一映射关系.最后的实验结果表明,通过拓展空间法神经网络能够对多值映射非线性进行建模.     

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。     

混合神经网络矢量量化的设计与实现

本文设计了一种混合神经网络矢量量化编码方法,利用Kohonen网络的自组织聚类功能设计矢量量化器码书,实现矢量量化,用三层BP网络完成码字的信道符号编码.该神经网络矢量量化编码器能够并行处理输入矢量,速度快,效率高,适用于语音和图像数据压缩.     

基于模糊神经网络的海面目标战术意图识别

传统的基于遥感解译获取的海面目标信息分析战术意图的方法,需要大量的专家知识确定输入目标属性与输出意图间的网络节点关系,而模糊神经网络只需利用输入和输出训练网络,减少了专家知识的需求。针对常用的高木〖CD*2〗关野模糊模型不适用于战术意图识别要求的输出与输入非线性的问题,设计了基于神经网络集成的模糊系统模型,利用目标属性与对应的战术意图形成训练样本训练神经网络,分别获得输入条件的模糊隶属度以及面向不同意图的输出函数,据此识别海面目标战术意图。仿真实验结果表明,获得的目标战术意图的准确度高,与想定情况均相符。     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数,因此该模糊神经网络模型算法的计算量大大减小,仿真结果表明了该模型算法的有效性和快速性。     

模糊系统建模与控制的神经网络方法

本文将正在迅速发展中的模糊控制、建模方法与神经网络方法结合起来,提出了模糊系统建模与控制的神经网络方法。这种方法的核心是利用神经网络来实现复杂系统的模糊输入和输出间的模糊映射关系,并利用神经网络来学习并记忆人类控制器的知识和经验性的控制策略。本文给出了详细的模型结构和有关算法,并仿真实现了基于神经网络的模糊系统建模与模糊控制。     

矢量量化实现面向图像的调色板设计

本文用基于神经网络的矢量量化方法实现面向图像的调色板设计。以均匀颜色空间的距离作失真测度，以矢量量化的码书设置颜色寄存的颜色值。实验证明，效果令人满意。     

一种优化的BP神经网络算法在石油储层预测中的应用

模型将GA、SA与BP3种算法有机地融合在一起,实现优势互补.采用二进制与实数混合编码,可以动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整.在保证精度的前提下,采用较少的输入节点和隐层节点数,使网络的结构相对简单.采用自适应交叉率、变异率与学习率,以增强网络的自适应与泛化能力,极大地减少人为主观因素对网络设计的影响.     

BF及模糊神经网络在旋转机械故障诊断中的应用

本文对模糊神经网络用于故障诊断较传统BP(Back-Propagation)网络的优越性进行了分析,并提出了一种利用模糊神经网络进行旋转机械故障诊断的新方法。在这种方法中利用RBF(Radial Basis Function)神经网络获得隶属度函数,并简化了模糊神经网络的训练,使得新的故障诊断专家知识更易于扩充到现有的故障诊断网络中。仿真结果表明,本文方法所构建的故障诊断网络易于扩展且有良好的诊断效果。