基于加权局部梯度直方图的头部三维姿态估计

在实时估计人的头部三维姿态时,基于局部梯度方向直方图的面部特征表示方法容易受到背景和环境的影响,其检测精度无法满足实际需求。为了减少图像或视频序列中背景和环境的影响,提出了一种新的对面部特征进行描述的方法,即基于肤色权值和高斯权值加权的局部梯度方向直方图特征表示方法。在具体计算时,首先进行人脸检测并将人脸区域缩放到统一大小,然后计算人脸区域每个像素点对应的梯度方向,接着计算肤色权值并利用肤色权值和高斯权值对梯度方向进行加权得到加权局部梯度方向直方图,从而强化面部特征在直方图中的比重,有效减小背景对头部三维姿态估计的影响,最后利用非线性支持向量回归机求解加权局部梯度方向直方图与头部三维姿态之间的关系。实验结果表明:该特征表示方法具有更高的检测精度。     

神经网络技术在测井相分析及水淹层判别中的应用

以测井相分析和常规测井资料定性识别水淹层的理论为基础，运用神经网络技术，对勘探阶段的探井进行了沉积相识别，并对油田开发阶段的水淹层进行了级别划分．对长庆、大港等油田的４口探井进行了测井相分析，并对２０多口开发井的单井进行了评价．结果表明，神经网络技术可以有效地应用于油田勘探开发测井中．     

多目标决策中确定权值的一种新方法

在分析和理论推导的基础上，利用最优传递矩阵对传统的层次分析法（ＡＨＰ）进行改进，建立了改进的层次分析法（ＩＡＨＰ）。利用ＩＡＨＰ求得的判断矩阵能自然满足一致性要求，不需要进行一致性检验，可直接求得各因素的权值     

BP神经网络算法探讨

BP神经网络算法是在BP神经网络现有算法的基础上提出的,是通过任意选定一组权值,将给定的目标输出直接作为线性方程的代数和来建立线性方程组,解得待求权,不存在传统方法的局部极小及收敛速度慢的问题,且更易理解。     

基于特征域词频的邮件过滤方法的研究

出了根据邮件特征域信息和特征词频进行垃圾邮件过滤的新方法，并介绍在该方法中的文本特征选取、特征词典构造以及基于TF的权值计算等相关技术，以及改进的文本相似度计算概率模型.实验表明该方法在邮件过滤的查全率、查准率等几个性能评价指标上，比传统的Rocchio方法有了明显改善.     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

基于遗传算法的人工神经网络优化设计

提出遗传算法新的编码方案，用于全局优化神经网络拓扑结构和权值参数，解决了神经网络拓扑结构的难确定性和权值训练的长时性问题，并且在遗传操作中采用自适应代沟的替代策略，改善其求解效率，获得了良好的优化结果。通过仿真实验显示了该算法的快速性和有效性。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法

针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性.     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.