模式识别协同算法的旋转、缩放不变性

引入复平面对数映射的方法，解决Haken模式识别协同算法中旋转和缩放不变性的问题，对识别过程在算法上进行了简化，并以人脸为例进行了识别．     

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．     

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．     

基于协同学的人脸分类集成

提出了一种基于协同学的人脸分类集成方法.选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果.另外,将核主分量分析和协同模式识别进行结合,在运用协同模式识别之前,先采用核主分量分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像冗余信息的影响,然后再进行协同人脸分类.对Y a le人脸库中的图像进行识别实验,结果表明所提方法的有效性,取得了比经典的协同模式识别方法和核主成分分析更好的结果.     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

故障诊断中几种征兆自动获取技术研究

研究了故障诊断系统中几种诊断征兆的自动获取机制，给出了对不同类型的征兆实现自动获取的有效方法．着重研究了轴心轨迹图形的自动识别问题，提出了利用图形的不变性矩特征的识别技术，构造了基于不变性特征矩的特征向量，定义了特征矩向量之间的距离，提出了置信度的度量方法．通过对轴心轨迹的仿真和实际识别，表明该方法是可行的     

智能化的边坡稳定性分析方法

应用智能科学理论和控制论的思想，提出了露天矿边坡稳定性分析的智能模型，讨论了一种新的知识表示方法和实现边坡稳定性分析的问题求解新机制．新的知识表示方法是集框架，规则，神经网络，数学模型于一体的面向对象和综合集成的方法．用逻辑推理、模式识别、模型计算综合集成的方法进行了边坡稳定性分析．运用该模型对实际边坡进行了破坏模式识别，识别结果与实际相吻合．     

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题，有效地提高分类的准确率，提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型．该模型通过对信号进行经验模式分解，提取信号的本征模式分量并转化为模糊特征向量，对机器故障进行诊断，然后将模糊特征向量输入到多分类的支持向量机中，实现了对机器不同故障类型的识别．将该模型应用于汽轮发电机组的3种工作状态的识别中，测试结果表明，同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比，该模型将分类准确率从原有的53．33％和86．67％提高到100％，有效地改善了分类的准确性．同时，该模型还为汽轮发电机组的故障确诊提供了有力依据．     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。     

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.     

用于旋转不变模式识别的一种逆滤波算法研究

为简化运算过程，较好地实现旋转不变相关识别的目的，提出了一种将逆滤波与基本的SDF（Synthetic Diserirninant Functions)相结合的改进的逆滤波器算法。该算法用实现旋转不变识别的基本综合鉴别函数方法合成逆滤波器的传递函数，既可识别旋转变化的图像，又具有逆滤波固有的相关峰尖锐、区分能力强的特点。计算机仿真结果表明，平面旋转的图像与传统的SDF相比，该模型具有较好的识别效果。     

基于高阶神经网络的机构零件形状识别

提出了一种机械零件在线自动检测的形状识别系统,该系统以零件各边的长度、角度、圆心角和与邻边夹角4特征来表示零件的形状,并采用高阶神经网络（HONN）,实现了零件的平移、惊讶和旋转不变怀识别,由于特征参数本身的平移、尺度不变性和循环移位性,可采用二阶HONN 造系统,解决了高阶神经网络中连接的组合爆炸问题,仿真验证了该系统对机械零件的不变性识别能力以及不同参数系统的性能和实用价值。     

基于Hu不变矩的加权矩方法及应用

为了有效地利用不变矩理论和技术对数字图像的特征进行分析,在研究几何不变矩的基础之上,提出了具有平移、旋转和尺度不变性的加权矩方法,可以应用于图像特征分析、特征识别和图像分类等应用领域。     

基于Hu不变矩扩展的交通标志识别

交通标志的识别是智能交通系统(ITS)的组成部分之一，具有十分重要的意义，对Hu提出的区域不变矩和Chen提出的区域不变矩快速算法进行了扩展，得到一组新的描述形状特征的参数，这些参数具有平移、缩放和旋转不变性，并且具有较低的计算复杂性，具有Hu和Chen方法的综合优点．     

角点特征在目标识别中的应用

针对在视点变化情况下进行目标识别这一问题,作者结合主分量变换提出了一种基于Hausdorff距离的目标匹配算法,该算法在噪声和遮挡下性能稳定,时间代价较小.作者还提出了一种具有平移、旋转、尺度不变性以及对噪声有抗干扰能力的角点特征构造方法,通过BP网络实现目标分类.与其他三种形状特征进行实验对比,结果证明该方法在视点发生变化时对目标的识别更为有效.     

应用综合鉴别函数实现畸变不变图像识别

针对传统图像识别方法对目标图像的尺寸、方位敏感问题,采用综合鉴别函数(SDF)实现比例和旋转不变图像识别. 给出了应用综合鉴别函数实现畸变不变图像识别的基本原理,研究了加权系数的计算,提出了用图像序列集{tn(x,y)}合成综合鉴别函数的方法. 通过计算机模拟和光学实验,证明了该方法的可行性.     

图像目标的矩特征量的照度不变性

在运动目标识别中,需要提取与目标远近、方位,照度、投影等变化不敏感的特征量。不变矩组对于目标平移、旋转和尺度变化不敏感,因此可以用不变矩组外加一些辅助特征来进行运动目标识别.本文研究了数字图像目标的不变矩组特征量经适当修改后,可以使其对目标平移、旋转和环境中的光照强度不敏感.这是对矩不变理论在模式识别应用中的一个重要补充,文章最后给出了修改前后两组公式的适用范围和实验结果。