短时离散Walsh变换的快速算法

在对传统快速离散Walsh变换算法（FWT）进行分析的基础上，充分考虑实时信号和提取局部特征等应用场合的特点，结合FWT算法的性质，提出了短时离散Walsh变换（STDWT）的概念及其快速算法，使加减运算次数进一步减到最少。与传统FWT相比，速度有了明显的提高。最后给出了该算法与传统算法比较的实验数据。     

利用小波变换提高基于KPCA方法的人脸识别性能

基于核主成分分析（KPCA）的人脸识别算法能够提取非线性图像特征,在小样本训练条件下有较好性能. 然而并非所有非线性特征对识别都有利,过多的不相关特征可能会降低识别性能. 针对图像信息冗余的特点,预先对图像进行小波变换,通过消除对识别无关的细节信息,不仅提高了KPCA方法的识别精度,而且降低了该算法对计算机硬件的要求. 同时,为了抑制KPCA对光照等变化的较高敏感性,还提出一种对图像灰度进行衰减的预处理策略. 基于ORL数据库的实验表明,综合上述措施的系统比传统方法具有更快的训练速度和更高的识别精度.     

神经网络在过程建模中的应用

阐述了神经网络用于过程建模目前存在的问题，提出了改进的方法，并将此应用到了大型炼油厂脱蜡过程的建模中。通过比较改进前后的ＢＰ算法仿真结果可以看出，改进后的算法在网络的训练收敛速度上有了较大提高。     

基于核函数主元分析的软测量建模方法及应用

提出了基于核函数主元分析(PCA)方法提取变量的特征信息以有效处理非线性数据，并在此基础上进行软测量建模的方法。利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，工业应用结果表明了该方法的有效性和优越性。     

基于改进KPCA算法的车牌字符识别方法

针对核主元分析(KPCA)用于提取车牌字符特征不足的情况,提出了一种采用多组均值矢量来代替原始图像矢量进行核矩阵计算的方法,该方法使得核矩阵维数大幅降低,同时有效地保留了字符图像信息.实验结果表明,该方法在不降低识别精度的基础上对输入数据实现了有效的降维,大大缩短了计算时间,有效地满足了车牌实时识别系统技术要求.通过实验对比可知,该方法比目前常用的PCA及FLD算法具有更高的性能指标.     

基于Walsh变换的图像置乱程度评价方法

图像的置乱变换在信息隐藏和数字水印中有广泛的应用，对图像置乱程度的评价是非常重要的，它能帮助判定用怎样的置乱变换和对图像进行多少次置乱，才能获得好的信息隐藏隐蔽性和鲁棒性。利用Walsh变换的能力集中特性，并考虑置乱程度应满足的性质，提出了基于Walsh变换的图像置乱程度评价方法，实验表明所给出的评价方法能较好地刻划图像的置乱程度，与人的主观评价更接近。     

基于文化算法的KPCA特征提取方法

如何选择最优或接近最优的核函数使分类错误率降低,是KPCA(Kenel Principle Com-portent Analysis)应用于特征提取的关键.本文在研究了文化算法(Cultural Algorithms,CA)相关文献的基础上,提出了一种训练核函数参数的文化算法流程,实现了KPCA和CA的集成,有效地提高了核函数的优化选择.仿真结果表明该方法具有较好的结果和更少的计算量.     

基于Shearlet变换和KPCA的多时相遥感图像变化检测

为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.     

一种基于DCT和KPCA的人脸识别算法

提出了一种基于离散余弦变换(Discrete Cosine Transform DCT)和核主成分分析(Kernel Principal Components Analysis KPCA)的人脸识别方法,首先对原始人脸进行DCT变换,选取低频系数重构人脸,然后通过KPCA提取特征,最后利用最近邻法进行分类,在ORL人脸数据库上的实验表明这样的方法能够获得比KPCA更好的识别性能。     

基于改进的KPCA的TOFD图像缺陷识别方法

针对TOFD D扫描图像缺陷提出一种新的缺陷识别方法.该方法首先采用KPCA(核主元分析算法)进行特征提取,并采用微粒群算法(PSO)自动优化核参数δ,最后用SVM分类器完成特征识别.在134幅TOFD缺陷图像中,分别采用(PCA+SVM)、(KPCA+SVM)和(PSO-KPCA+SVM)三种方法进行试验,试验结果表明,所提出的方法识别正确率更高.     

基于文化算法的新型Elman网络的过程建模方法

文化算法从微观（种群空间）和宏观（信念空间）两个层面上模拟文化的双重进化继承过程,为进化搜索机制和知识存储的结合提供一个构架。建立基于输入输出数据生产过程的统计模型时,参数估计是其中的关键,文化算法为此提供了有效途径。本文在Elman神经网络的基础上提出了一种新的改进型Elman网络模型——OAIF-Elman（Output-Add-Input Feedback Elman）网络来建立乙烯装置中裂解深度软测量模型,并结合文化算法来优化其网络权值。实验表明：文化算法比标准遗传算法搜索性能更优,搜索时间更快,同时也得到了满意的裂解深度模型。     

改进模糊神经网络在轮胎硫化过程建模中的应用

利用一种改进的模糊神经网络建立了轮胎硫化过程的动态温度分布模型,从而使在线预测实际生产过程中硫化轮胎的内部温度成为可能,为确定轮胎的最佳硫化时间提供了一条切实可行的简单途径.     

序批式活性污泥系统神经网络水质模型

介绍用神经网络建立过程软测量的模式,讨论了基于神经网络的非线性模型结构和一种BP改进算法,并对污水处理过程的出水水质软测量进行了研究.结果表明,神经网络法能够比较精确地建立起非线性过程的模型,且具有简明、灵活的特点.     

基于Elman神经网络集成的诺西肽发酵过程建模

针对单神经网络模型外推效果不理想、泛化能力较差的缺点,将神经网络集成用于诺西肽发酵过程的建模.采用Bagging技术进行重复取样用于个体神经网络的训练,结论生成时采用加权平均法,各子网络的权重利用差分进化算法来确定.个体神经网络选用典型的动态神经网络Elman网络,通过对多个Elman神经网络模型的输出进行融合,建立了基于神经网络集成的诺西肽发酵产物浓度模型.最后将所建立的模型与基于单神经网络的模型进行了比较,结果说明该模型具有更高的精度和泛化能力.     

基于离散小波变换和RBF神经网络的说话人识别

为提高说话人识别系统的性能,结合离散小波变换与RBF神经网络提出一种说话人识别新方法。把小波变换与美尔频率倒谱系数提取相结合,使用离散小波变换代替美尔频率倒谱系数中的离散余弦变换,提取变换谱振幅作为特征参数。使用逼近能力、分类能力和学习速度均更优的RBF神经网络取代常用的BP网络,采用与输入样本相关的方法优化RBF网络初始权值选取。不同语音长度和信噪比的实验表明,系统识别率和鲁棒性均得到了提高。     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

一种改进的基于扩展的RBF模糊神经网络

针对Wu Shiqian等提出的动态模糊神经网络（D-FNN）,在参数估计时,对中心的调整直接采用输入数据会导致网络收敛速度慢、乏化能力不好的情况,提出一种改进的基于RBF的动态模糊神经网络（RBDFNN）.该网络采用连续学习的方法和分级学习的思想,在进行前提参数的估计时,高斯隶属函数的中心动态调整充分考虑了宽度调整对中心的影响,算法能自动地确定模糊规则.仿真实验表明,算法在收敛速度和乏化能力方面优于原来的算法.